StyleMorpheus: Learning a StyleGAN-based 3D-aware morphable face model with a disentangled style space
Notice bibliographique
Résumé
Recent advances in 3D-aware neural rendering have enabled photorealistic face image synthesis from arbitrary viewpoints. However, achieving disentangled control over facial attributes typically depends on large, curated datasets collected in controlled environments. To overcome this limitation, we introduce StyleMorpheus, a 3D-aware, StyleGAN-based morphable face model that can be trained entirely on in-the-wild face images. StyleMorpheus surpasses traditional 3D-aware morphable models in rendering quality, despite relying solely on unconstrained 2D training data. Unlike conventional StyleGAN-based methods, StyleMorpheus also provides disentangled control over facial identity, expression, and appearance, allowing each attribute to be adjusted independently without unintended changes to the others. StyleMorpheus employs an auto-encoder structure, where the encoder learns a representative, disentangled style code space, and the decoder enforces disentanglement by using shape- and appearance-related codes at different levels of the network. Furthermore, we fine-tune the decoder through StyleGAN-based generative adversarial learning to achieve photorealistic rendering quality. StyleMorpheus is computationally lightweight and achieves real-time rendering speeds, making it suitable for virtual reality applications. We further demonstrate the disentanglement capabilities of StyleMorpheus through face editing tasks such as style mixing, face morphing, and color editing. Project homepage: https://peizhiyan.github.io/docs/morpheus .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».