MaskFaceGAN v primerjavi z ostalimi metodami omogoča urejanje slik brez vizualnih artefaktov in ne izkazuje težav zaradi prepletenih obraznih lastnosti.

MaskFaceGAN temelji na iterativni optimizaciji latentnega prostora generativnega nasprotniškega omrežja, kar omogoča nelinearne pomike v latentnem prostoru.

MaskFaceGAN tako sintetizira preostale piksle v skladu s ciljno semantiko z upoštevanjem omejitve semantične vsebine v postopku optimizacije.

MaskFaceGAN se zato odloča za pristop, ki podpira rast in krčenje lastnosti, ne da bi bil pretirano kompleksen.

MaskFaceGAN se pri izvajanju postopka optimizacije opira na tri različne komponente, tj.

MaskFaceGAN omogoča povečevanje prostorskega območja, v katerem se ureja ciljna lastnost.

MaskFaceGAN omogoča natančen nadzor nad videzom lastnosti, čeprav je bil naučen samo z binarnimi oznakami lastnosti.

MaskFaceGAN lahko tako manipulira z velikostjo ciljnega območja obraza z upoštevanjem ustreznega cilja optimizacije.

MaskFaceGAN je zasnovan na podlagi predpostavke, da se spremembe nekaterih lastnosti odražajo le prek sprememb v prostorsko lokalnih območjih obraza.

MaskFaceGAN je ovrednoten v primerjavi z več konkurenčnimi modeli, tj.

MaskFaceGAN je ovrednoten na treh podatkovnih zbirkah, ki vsebujejo visokoločljivostne obrazne slike in v primerjavi z več najsodobnejšimi tehnikami urejanja iz literature.

MaskFaceGAN je mogoče prilagoditi tako, da vključuje dodatne omejitve.

MaskFaceGAN lahko z vključitvijo dodatnega člena kriterijske funkcije (podanega v enačbi (3.6)) določi velikost območja slike, ki se ureja.

MaskFaceGAN torej podpira urejanje 14 različnih lastnosti, kar je (po številu) primerljivo s konkurenčnimi pristopi iz literature, na primer [1, 58].

Z metodo MaskFaceGAN lahko poleg tega spreminjamo tudi velikosti obraznih delov, določamo intenzivnosti posameznih obraznih lastnosti in sočasno spreminjamo več obraznih lastnosti.

Ker MaskFaceGAN med optimizacijo latentne kode poskuša maksimizirati točno to mero, v tem razdelku uporabljamo alternativni pristop, da bi zagotovili pošteno primerjavo.

V tem poglavju želimo te pomanjkljivosti rešiti z novim pristopom urejanja, imenovanim MaskFaceGAN, ki se osredotoča na lokalno urejanje lastnosti.

Lastnosti, ki jih podpira MaskFaceGAN za urejanje, in ustrezna področja obraza, ki jih predlagani pristop manipulira za uveljavitev želene semantike. . . . . . . . . . . . . . . . . . . . . . . . . . . .

Medtem ko nekateri konkurenčni modeli dajejo solidne rezultate, MaskFaceGAN ustvari najbolj prepričljive manipulacije slik z najmanjšo količino vidnih artefaktov. . . . . . . . . . . . . .

Da bi prikazali globalne zmožnosti urejanja MaskFaceGAN, izberemo dve zahtevni lastnosti, ki vplivata na celotno območje obraza, tj.