RSGAN: Face Swapping and Editing using Face and Hair Representation in Latent Spaces论文阅读笔记
论文原文地址:RSGAN: Face Swapping and Editing using Face and Hair Representation in Latent Spaces
本文和上一篇FSNet极为相似,:FSNet: An Identity-Aware Generative Model for Image-based Face Swapping,有需要的小伙伴可以对照着看.
摘要:RSGAN:使用潜在空间中的面部和头发表示进行面部交换和编辑
- 本文提出了一种
基于属性的编辑和随机人脸部件合成的人脸图像自动生成和编辑的集成系统。
该系统基于一个深度神经网络,该网络利用大规模人脸图像数据集对人脸和头发区域进行变分学习
。 与传统的变分方法不同,所提出的网络分别表示人脸和头发的潜在空间。 我们将所提出的网络称为区域分离生成对抗性网络(RSGAN)
。 所提出的网络独立地处理潜在空间中的人脸和头发外观,然后通过替换人脸的潜在空间表示来实现人脸交换,并用它们重建整个人脸图像。
这种方法在潜在空间稳健地执行人脸交换,即使是以前的方法导致失败的图像,比如由于不适当的拟合或三维变形模型。 此外,该系统还可以通过操作视觉属性或用随机生成的面部或头发部件组合来进一步编辑具有相同网络的面部交换图像。
引言
- 人的脸是从古至今识别个体的重要标志。 传统上人脸图片是用来记录人的身份。 如今,许多人喜欢在社交网站上分享他们的日常照片,其中通常包括人脸。 在这种情况下,人们想要让照片更有吸引力。 由于这一需求,在计算机图形学和视觉研究社区中引入了大量的人脸图像分析[1-4]和操作[5-11]研究。
- 人脸交换是人脸图像编辑的最重要技术之一,具有广泛的实际应用,如
集体照片[5]、虚拟发型拟合[9]、隐私保护[6,12,13]和机器学习数据增强[14-16]
。 传统的人脸交换方法首先检测源图像和目标图像中的人脸区域。 通过数字图像拼接将源图像的人脸区域嵌入到目标图像中
。为了说明我们的研究动机,我们在下面的段落简要回顾了以前的面部交换方法。 - 最流行的人脸交换方法之一是使用
三维变形模型(3DMM)[5,17]。
在这类方法中,首先通过拟合3DMM[1,2]得到人脸几何形状及其相应的纹理映射。 源和目标图像的纹理映射然后与估计的UV坐标交换。 最后,利用用目标图像估计的照明条件对替换后的人脸纹理进行重新渲染。 这些方法与3DMM可以取代面孔,即使是那些有不同的方向或在不同的照明条件。 然而,在实际应用中,这些方法容易导致人脸几何形状或照明条件的估计失败
。 不正确的估计通常是有问题的,因为人们可以敏感地注意到这些几何形状和照明条件的轻微不匹配。[3DMM缺点就在估计照明条件] - 在人脸交换的具体应用中,如隐私保护和虚拟发型拟合,可以任意选择源图像或目标图像。 例如,即使从随机图像中提取新的人脸区域,目标图像的隐私也可以得到保护。 这表明了
从大型图像数据库[6,9]中选择一个源图像和目标图像的想法。
该类中的方法可以选择两个输入图像中的一个,这样所选图像与其对应图像相似。 因此,这些方法可以避免在困难的情况下用不同的人脸方向或不同的照明条件替换人脸。 然而,这些方法不能用于任意输入人脸图像之间的人脸交换的更一般目的。 - 最近大量的深度学习研究促进了与大规模图像数据库的人脸交换。 Bao等人。 在他们的条件图像生成论文中引入了一个人脸交换演示,并提出了一个名为CVAE-GAN[18]的神经网络。 他们的方法在训练数据集中为每个人使用数百幅图像,并将人脸身份作为图像条件学习。 在桌面软件工具“FakeApp”中使用了类似的技术[19]由于其易于使用的管道与深度神经网络(DNN)进行人脸交换,最近引起了人们的广泛关注)。 这个工具需要数百个图像的两个目标人交换的脸。 然而,为非名人准备如此大量的肖像图像是相当不可取的。 与这些技术相比,Korshunova等人。 [13]将神经风格转移[20]应用于人脸交换, 通过对预先训练的网络进行微调,在源图像中对一个人的几十幅图像进行微调,将神经风格的传递[20]应用于人脸交换。 不幸的是,对于大多数人来说,收集许多图像并对网络进行微调以生成单个人脸交换图像仍然是不切实际的。[许多方法需要同一个人的大量图片进行训练,但是这样不太方便]
- 在本文中,我们使用生成神经网络来解决上述问题,我们将其称为“
区域分离生成对抗性网络(RSGAN)
”。虽然已经介绍了大量关于这种深层生成模型的研究,但将其应用于人脸交换仍然具有挑战性。在普通生成模型中,网络合成的图像或数据作为训练数据获得。 然而,很难准备一个包括人脸交换前后人脸图像的数据集。
我们通过设计网络来解决这个问题,为每个面部和头发区域学习不同的潜在空间。该方法中使用的生成器网络被训练成从两个随机向量合成自然人脸图像,这些向量对应于人脸和头发区域的潜在空间表示。
因此,生成器网络可以从实际图像样本计算的两个潜在空间表示中合成一个人脸交换图像。
图2.中示出了RSGAN的体系结构。
图2. 所提出的RSGAN的网络体系结构,包括三个部分网络,即两个分隔网络和一个合成网络。
分隔网络分别提取输入图像x的人脸和头发区域的潜在空间表示zf和zh。 合成网络从两个潜在空间表示重构输入人脸图像。
通过两个鉴别器网络对重建图像x0和输入图像x进行评估。
全局判别器Dg区分图像是真实的还是假的,补丁判别器Dp区分图像的局部补丁是真实的还是假的。
-
该体系结构由两个变分自动编码器(VAE)和一个生成对抗性网络(GAN)组成)。 两个VAE部分将面部和头发外观编码为潜在空间表示,GAN部分从面部和头发的潜在空间表示中生成自然的面部图像。在SEC3中介绍了网络的详细描述及其训练方法。 除了人脸交换外,这种变分学习还支持其他编辑应用,如
视觉属性编辑和随机人脸部件合成
。 为了评估该方法的人脸交换结果,我们利用了身份保存和交换一致性两个度量
。 身份保存是使用开源人脸特征提取器OpenFace[21]进行评估的。 通过测量输入图像与通过两个输入图像之间交换两次得到的图像之间的绝对差异和多尺度结构相似性(MS-SIM)[22]来评估人脸交换的一致性。 RSGAN的应用结果及其评价见SEC 4.
贡献: -
作为一种人脸交换和编辑系统,该方法与以往的方法相比具有以下优点:
- 1.它提供了一个用于
人脸交换和附加人脸外观编辑的集成系统
; - 2.它的应用是通过训练单个DNN来实现的,并且
不需要任何额外的运行时计算,如微调
; - 3.它即使对于
不同人脸方向人脸或在不同的照明条件下,也能稳健地执行高质量的人脸交换
;
- 1.它提供了一个用于
2.相关工作
2.1Face swapping
- 为了不同的目的,在许多研究中对人脸交换进行了研究,如集体照片[5]、虚拟发型拟合[9]、隐私保护[6,12,13]和大型机器学习[16]的数据增强。 几项研究[7,12]只交换了脸的部分,如眼睛、鼻子和嘴,而不是在图像之间交换整张脸。 如上一节所述,传统的人脸交换方法之一是基于3DMM[5,17]。 将3DMM拟合到目标面,得到人脸几何形状、纹理映射和照明条件的近似[1,2]。 使用3DMM,
通过替换纹理映射和使用估计的照明条件重新呈现人脸外观来实现人脸交换。 这
些基于3DMM的方法的主要缺点是它们需要手动对齐3DMM以获得精确的拟合。
[3DMM方法的缺点] - 为了缓解这个问题,Bitouk等人。 [6]提出了
一种用大规模人脸图像数据库进行人脸自动交换的方法。 他们的方法首先搜索具有与输入图像相似布局的人脸图像,然后用边界感知的图像组合替换人脸区域
。 Kemelmacher-Shlizerman[9]最近提出了一种更复杂的方法。她精心设计了一个手工制作的特征向量来处理面部图像,并实现了高质量的面部交换。
然而,这些通过搜索相似图像的方法不能自由选择输入图像,不适用于任意的人脸图像对。
[传统方法缺点] - 最近,
鲍等人。 在他们的CVAE-GAN[18]论文中引入了一个人脸交换演示,它是一个用于条件图像生成的DNN。 在他们的方法中,CVAE-GAN经过训练,通过处理人脸身份作为生成图像的条件,在训练数据集中生成特定人员的人脸图像。
该CVAE-GAN通过改变目标图像的人脸身份条件来实现人脸交换。 [CAVE-GAN的方法] - Korshunova等人。 应用
神经风格转移,这是另一种人脸交换[13]深度学习技术
。 他们的方法类似于原始的神经风格转移[20]在意义上,面部身份处理类似于艺术风格。 目标面的人脸身份被源面的人脸身份所取代。 这些基于DNN的模型的共同缺点是用户必须收集至少几十幅图像才能获得人脸交换图像。虽然收集如此多的图像是可能的,但对大多数人来说,仅仅为了他们的个人照片编辑而收集这些图像是不切实际的。[Korshunova利用神经风格迁移的方法:缺点就是收集大量个人招照片是不切实际的]
2.2面部图像编辑
- 为了增强面部图像的视觉吸引力,人们提出了多种技术,如
面部表情转移
[7,23]、吸引力增强
[24]、face image relighting
[25,26]。 在传统的人脸图像编辑中,使用人脸分析工具,如主动外观模型[27]和三维变形模型[1,2],对底层的三维人脸几何形状和人脸部件排列进行估计。 这些底层信息在编辑算法中被操纵,以提高输出图像的吸引力。 另一方面,最近基于DNN的方法没有明确地分析这些信息。 通常,输入图像和用户的编辑意图被馈送到端到端的DNN,然后,编辑结果直接从网络输出。例如,几个基于自动编码器的DNN模型[18,28-30]被用来操纵人脸的视觉属性,其中视觉属性,如面部表情和头发颜色,被修改以改变人脸图像外观。[最近的一些基于DNN的方法是一个黑匣子] - 相反,Brock等人。 [31]提出了一种基于油漆界面的图像编辑系统,其中DNN根据用户指定的输入图像和油漆笔画合成自然图像输出。 基于DNN的图像完成[32,33]的几项研究提出了通过用DNN填充输入图像的部分来操纵人脸外观的演示。 然而,估计这些方法的结果是相当困难的,因为它们只填充用户绘制的区域,而且结果在训练数据中是合理的。**[Brock的方法无法客观评价]
3.区域分隔GAN
-
用DNNs交换面部的主要挑战是在面部交换前后准备面部图像,因为没有特殊的手段去换脸,一个真实的人的脸就不能被另一个人的脸所取代。 收集这种人脸图像的另一种可能的方法是数字合成它们。 然而,这是一个鸡和蛋的问题,因为合成这样的面部交换图像是我们的主要目的。 为了克服这一挑战,我们利用变分方法来表示面部和毛发的外观。
在人脸交换中,在图像空间中分别处理一个人脸区域和一个头发区域。
-
人脸交换问题被概括为
合成任意一对人脸和头发图像的问题
。 提出的RSGAN的目的是利用人脸和头发外观的潜在空间表示来实现这种图像合成
。 在所提出的方法中,这一目的是通过图中所示的DNN来实现的。如图 2.所示,RSGAN的体系结构由两个VAE组成,我们称之为分离器网络,一个GAN,我们称之为合成网络。 在这个网络中,脸和头发区域的外观首先被分隔网络编码成不同的潜在空间表示。 然后,生成网络生成具有所获得的潜在空间表示的人脸图像,从而重建输入图像中的原始外观。然而,只有来自真实图像样本的潜在空间表示的训练会导致过度拟合。
[只有真实的人脸图像参数与训练会导致过拟合] -
我们发现,以这种方式训练的RSGAN忽略了人脸表示的潜伏空间,并在人脸交换的同时合成了与目标图像相似的图像。因此,
我们向合成网络提供随机潜在空间表示,使它们被训练成合成自然人脸图像,而不是过度拟合训练数据。
[RSGAN解决了上述问题] -
设x为训练图像,c为其对应的视觉属性向量。 通过人脸编码器FE-xf和头发编码器FE-xh,得到了x的人脸和头发外观的潜在空间表示zxf和zxh。 同样,可视化属性c被嵌入到属性的潜在空间中。 通过编码器FE-cf和FE-ch得到人脸和头发属性向量的潜在空间表示zcf和zch。
作为标准VAE,这些潜在空间表示是从多元正态分布中采样的,其平均值和方差由编码器网络推断。
其中µl和σ2l是用编码器得到的zl的平均值和方差。 用于人脸和头发区域的解码器网络FD-f和FD-h分别从相应的潜在空间表示中重建外观x’f和x’h。 合成网络G用编码器的潜在空间表示生成重构的外观x’。 这些重建过程制定为:
-
此外,从多元标准正态分布N(0,1)中抽样的随机变量在训练中一起使用。 设ˆzxf、ˆzxh、ˆzcf和ˆzch分别对应于zxf、zxh、zcf和zch的随机变量。 我们还计算了随机人脸图像ˆx’与这些样本:
-
通过
两个鉴别器网络Dg和DP对输入图像x和两个生成的图像x'和ˆx'进行评估。
全局鉴别器Dg区分这些图像是真实的还是假的,就像标准GANs[34]中的那样。 另一方面,补丁鉴别器DP最初用于图像到图像网络[35],它区分本地补丁是来自真实图像还是假图。
此外,我们还训练了一个分类器网络C来估计从输入图像x的视觉属性c*
。 分类器网络通常需要编辑一个图像,而这个图像没有准备好视觉属性。 此外,分类器网络还获得了一个entries在0到1之间的视觉属性向量,而在许多公共数据集中准备的视觉属性向量的离散值为0或1。 这样的中间值是有利的,例如,当我们用两个视觉属性项“黑发”和“棕色头发”表示深棕色头发时”。 因此,即使在为x准备视觉属性时,我们也使用估计的属性c∗而不是c。[利用(0,1)之间的中间值来表示视觉属性,而不是用单纯的0或1表示.]
3.1训练
-
在所提出的RSGAN体系结构中,执行三个自动编码过程,每个过程从输入图像x中得到x’f、x’h和x’。 遵循标准VAE,我们定义了三个重建损失函数:
-
其中MBG是一个背景掩码,前景像素为0,背景像素为1**[0表示黑色,1表示白色]**,运算符圆圈加一点表示每像素乘法。 背景掩码MBG用于训练网络在前景区域合成更详细的外观。 在我们的实现中,我们使用参数β=0.5的将背景中的最小平方误差减半。
Kullback Leibler损失函数
也被定义为四个编码器中每一个的标准VAE:
-
分离器和合成网络的集合,以及两个鉴别器网络作为标准GAN网络进行对抗性训练。 对抗性损失定义为:
-
此外,训练分类器网络C来估计接近c的正确的视觉属性c∗。我们定义了一个交叉熵损失函数LBCE,并利用它定义了分类器网络LC的一个损失函数:
-
其中ci表示视觉属性向量c的第i个条目。为了保留生成图像x’和ˆx’中的视觉属性,我们添加了以下损失函数来训练生成网络:
-
其中c’和ˆc’分别估计x’和ˆx’的视觉属性。 训练RSGAN的总损失函数由上述损失函数的加权和定义:
-
我们经验性地确定了加权因子λrec=4000,λKL=1,λadv-g=20,λadv-p=30,λC=1,和λGC=50。 在我们的实验中,使用ADAM优化器将损失函数最小化[36]。初始学习速率为0.0002,β1=0.5,β2为0.999。 mini-batch是50。 补充材料中提供了详细的训练算法。
3.2数据集
-
训练RSGAN需要从真实样本中对人脸图像x,人脸区域图像xf,头发区域图像xh,背景掩码MBG进行采样。 为此,我们从数据集CelebA[3]生成具有大规模人脸图像的人脸和头发区域图像,即图3说明了数据集生成的过程。 在CelebA中原始图像的大小是178×218(图 3(a))。 我们首先使用PSPNet[37]估计前景掩码,这是一种最先进语义分割方法,带有“人”标签。 背景掩码是通过在前景掩码中反转蒙面和非掩蔽像素来获得的(图 3(b))。
图3. 从CelebA[3]的肖像中产生面部和头发区域图像的过程。 用PSPNet[37]计算(B)中的背景掩码,这是一种最先进的基于DNN的语义分割。 用©中的蓝色面部地标计算(D)中的面部和头发区域的裁剪矩形)。 为了提高人脸身份的重建质量,人脸区域比头发区域放大。 -
第二,
我们提取68个面部地标(图3(c)有一个共同的机器学习库,即Dlib[38]。
面部区域由41个地标定义,它们对应于眼睛、鼻子和嘴巴,它们在图中用蓝色圆圈表示图 3©。 我们计算了这些地标的凸壳,并沿水平和垂直方向分别将凸壳拉伸1.3倍和1.4倍。 得到的凸壳被用作面罩,如图所示 3(d)。 面部和头发区域用面具提取,并将这些区域裁剪成正方形(图 3(e)和(f))。面部区域的左上角为(30,70),其大小为118×118。 头发区域的左上角为(0,20),其大小为178×178。
最后,我们将这些裁剪后的图像调整到相同的大小。 在我们的实验中,我们将它们调整为128×128。 由于人脸区域更重要的是识别图像中的一个人,所以我们对人脸区域使用了更高的分辨率。 在处理数据集中的图像时,我们从CelebA中提取选择包含的202,599幅图像中195,361幅图像的面部地标。 在这些195,361幅图像中,我们使用了180,000幅图像进行训练,其他15,361幅图像用于测试。
3.3 Face swapping with RSGAN
- 用RSGAN从两幅图像x1和x2计算人脸交换图像。 对于每一幅图像,视觉属性c∗1和c∗2首先由分类器估计。 然后,用编码器计算这些变量z1、xf、z1、cf、z2、xh和z2、ch的潜在空间表示。 最后,由生成网络生成面交换图像为x0=G(z1、xf、z1、cf、z2、xh、z2、ch)。 这种只向RSGAN输入两个图像的操作通常执行适当的面部交换。 然而,输入图像中的头发和背景区域有时不能用RSGAN正确地恢复。
为了缓解这一问题,我们可以选择对人脸交换图像执行梯度域图像拼接。
在此操作中,使用面罩提取人脸交换图像的人脸区域,该区域的获取方式与数据集生成相同。 然后,通过梯度域图像组成[39],将人脸交换图像的人脸区域由目标图像组成。 为了区分这两种方法,我们分别将它们表示为“RSGAN”和“RSGAN-GD。 除非另有规定,本文所示的结果仅使用RSGAN计算,而不需要RSGAN-GD**.[提出RSGAN_GD方法解决偶尔出现的无法正确换脸的问题]**
4 Results and Discussion
-本节介绍使用预先训练的RSGAN的应用结果。 对于这些结果,我们在Python中使用TensorFlow[40]实现了一个程序,并在一台具有IntelXeon3.6GHz E5-1650v4CPU、NVIDIA GTXTITANX GPU和64GB RAM的计算机上执行了该程序。 我们使用了18万张训练图像,并对拟议的RSGAN网络进行了超过120000个global步骤。 使用一个单独的GPU训练大约花费了50个小时。这篇论文中的所有结果都是使用不包括训练图像中的测试图像生成的。
- 人脸交换:该系统的人脸交换结果如图4.所示,在此图中,第一行说明源图像,第二行说明源图像的再现外观,底部三行说明最左边列中不同目标图像的人脸交换结果。 在每个结果中,我们观察到面部身份、表情、面部部位的形状和阴影在面部交换结果中自然呈现。 在这些输入图像对中,Face#7和Hair#1的面部表情有很大的差异,Face#4和Hair#2的面部定向有差异,Face#3和Hair#1的照明条件有差异。
图 4. 不同面部和头发外观的面部交换结果。 该图中的两个顶部行表示原始输入及其重建外观。 在这些结果中,每个行中图像的人脸区域被每个列中的图像中的人脸替换。 - 即使对于上文提到的那种比较困难的输入对,我们的方法也实现了自然的人脸交换。 此外,我们还将我们的面部交换结果与图 5中[9,17]的最先进的方法进行了比较。将结果与从大型数据库搜索的[9]中使用的输入图像进行比较,使它们的布局与源图像相似。 虽然这些输入图像更有利于[9],但我们的RSGAN-GD的结果与[9]的结果是兼容的。 与其他最先进的方法[17]相比,我们的结果中的面部部分的大小看起来更自然,因为面部部分与整个面部大小的比例与源图像中的比例更相似。 正如本文[17]所报道的,这些性能损失是由于它们对地标检测和3DMM拟合质量的敏感性,尽管它们提出的语义分割是强大的。[和9,17种的方法作比较,优于其他方法]
视觉属性编辑 - 为了与视觉属性向量一起执行人脸交换,所提出的RSGAN将视觉属性向量嵌入到人脸和头发视觉属性的潜在空间中。 因此,所提出的编辑系统能够仅在面部或头发区域中操作属性。 视觉属性编辑的结果如图6所示. 此图包括两个图像组,每个图像组有三行。 在第一行中,顶部指示的视觉属性被添加到面部和头发区域。
图6. 使用RSGAN进行可视化属性编辑的结果。 在这个图中,在标有“Total”的行中得到的结果是为面部和头发区域添加一个新的视觉属性。 用于这些结果的视觉属性在顶部表示。 另一方面,用“Face”标记的行中的结果是通过只为面部区域添加一个新的视觉属性来获得的,而原始的视觉属性用于头发区域。 以“头发”标记的行中的结果以同样的方式生成。【就是说最左边一列是输入原始图像,右边每一列代表添加一个属性之后对于最左侧原始输入的影响。第一行代表对于整体的影响,第二行是对人脸的影响,第三行是对于头发的影响】 - 在第二行和第三行中,视觉属性被添加到面部或头发区域中。 如图所示,仅为一个面部和头发区域添加视觉属性不会影响另一个区域。 例如,当属性“金发”添加到面部区域时,头发颜色没有改变。 此外,“男性”和“老年”等属性可能影响这两个区域,当它们被添加到两个区域中的任何一个区域时,只会改变一个区域的外观。 例如,“男性”属性被添加到面部区域,只有面部外观变得男性化,而头发外观没有改变。 此外,可视化属性编辑还可以应用于带有RSGAN的人脸交换图像。 此应用程序的结果如图 1所示。. 请注意,RSGAN可以通过向网络同时输入两个输入图像和修改的视觉属性向量来实现人脸交换和视觉属性编辑。
图 1.人脸交换和附加视觉属性编辑的结果。 第一列中图像的人脸区域嵌入到第二列中的图像中。 面部交换的结果在第三栏中得到了说明,通过添加“金发”和“眼镜”等视觉属性,它们的外观被进一步操纵”。【比如说加入金发特征、加眼镜、加胡须、加黑发、加男性特征、加笑容。】 RSGAN只通过一次网络传递两个输入图像和视觉属性就可以得到这些结果。
随机人脸零件综合:
-利用所提出的RSGAN,我们可以生成一个新的人脸图像,它具有真实的图像样本中的人脸或头发的外观,以及由随机潜在空间定义的对应区域的外观。
这种随机图像合成用于通过随机改变人脸区域的隐私保护
,以及通过随机改变头发区域的人脸识别数据增强
。 随机图像合成的结果如图 7所示。这个图形由顶部和底部的两组图像组成。 在每组中,左边显示一个输入图像。 在正确的图像中,它的面部或头发区域与随机的头发或面部区域相结合。 上面一组用随机的头发来说明图像,下面一组用随机的脸来说明图像。 尽管随机的面部和头发区域覆盖了大量的外观,但在实际输入中,面部和头发的外观在结果中得到了适当的保留。
图7. 随机面部和头发部分的生成和组成结果。 我们可以对面部和头发外观的独立潜在空间表示进行采样,并将它们与所提出的RSGAN相结合。 在顶部组中,随机头发外观与左侧输入图像的面部区域相结合。 在底部组中,随机人脸外观与输入图像的头发区域相结合。
4.1实验
-
我们使用两个度量来评估所提出的和其他先前方法的人脸交换结果,即
身份保存和交换一致性
。 在本实验中,我们将这两个值与Nirkin等人先前自复制的生成网络VAE-GAN[41]、ALI[42]、α-GAN[43]和最先进的人脸交换方法进行了比较。 [17]。 利用生成网络,我们分三步计算了人脸交换的结果。 首先,我们以与数据集合成相同的方式计算面罩
。 第二,掩模中源图像的人脸区域被复制和粘贴到目标图像上,从而使两个眼睛位置对齐。
最后,将复制和粘贴后的整个图像外观通过馈送到自复制网络进行修复。
这些算法制作的人脸交换图像的例子如图8所示。 我们计算了从15,361个测试图像中选择的1000个随机图像对的不同算法的结果。 两个指标的平均值和标准差见表1。 在本表中,每一栏中的最佳分数用黑体字表示,次优分数用斜体字表示。
-
表1比较了所提出的RSGAN和其他方法的人脸交换结果。 在顶部和底部的两个图像组中,最左边列中的两个输入图像的人脸区域被替换。
-
通过输入图像特征向量与人脸交换图像特征向量之间的平方欧几里德距离来评价人脸交换中的身份保持。
利用开源人脸特征提取器OpenFace[21]计算特征向量。 第三列的测量距离表明,RSGAN优于其他生成神经网络,但其性能比Nirkin等人的方法差。
【Nirkin等人的是3D方法】然而,Nirkin等人的方法。 在本实验中使用的1000个测试图像对中,只能执行81.7%的人脸交换,因为它通常无法将3DMM拟合到两个输入图像中的至少一个。 相反,所提出的RSGAN和其他基于生成神经网络的方法对所有测试图像进行人脸交换。 因此,我们认为RSGAN的人脸交换实际上是有用的,即使身份保存比Nirkin等人最先进的方法略差。 -
用
输入图像
与两个输入图像之间交换两次人脸区域后得到的图像
之间的绝对差和MSSSIM[22]来评估交换一致性。
对于以前的生成神经网络和RSGAN,我们也计算了这些值,对于由网络重建的图像。 如表1所示,具有绝对误差的评价结果和MS-SSIM表明Nirkin等人的方法。 优于生成神经网络,包括RSGAN。 我们认为这是因为Nirkin等人的方法在面部交换时只产生一个面部区域,而生成神经网络同时合成面部和头发区域。 因此,对于Nirkin等人的方法,绝对差异和MS-SSIM的得分相对较低。 其中像素值的差异只发生在人脸区域。此外,Nirkin等人的方法对于在实践中使用相当不稳定,
如前一段所述。 因此,所提出的RSGAN方法值得在实践中使用,因为与其他生成神经网络相比,它达到了最好的交换一致性,如“交换×2”列所示。
4.2讨论
变分与非变分方法
-
为了视觉特征提取的目的,许多变体的自动编码器已经被使用[28,44-46]。 在这些方法中,当实际图像外观需要在其应用程序中再现时,通常最好使用非变量方法。 例如,最近的研究[45,46],它引入了一个类似的想法,我们的研究,使用非变量方法的图像部分提取[45]和操纵人们的年龄在肖像[46]。 我们还在一个原型实现中实验了所提出的RSGAN中的一个非变量,我们发现它的自我再现性比本文引入的变分性略好。 然而,考虑到RSGAN的变分方法(如随机人脸零件抽样)的广泛适用性,我们确
定变分方法实际上比非变量方法更有用。
** 区域记忆与RNN:** -
在图像部件合成中,以前的一些研究已经应用递归神经网络来记忆哪些部件已经合成或不[44,45,47]。 在这些研究之后,我们实验地插入了长短期存储器(LSTM)[48]使两个图像编码器网络的输出被馈送到它。 然而,在我们的实验中,我们发现LSTM的这种应用使训练变得困难,并且收敛速度变慢。 在人脸映射和其他应用中,结果的视觉质量不明显优于没有LSTM的RSGAN。 我们用LSTM说明了RSGAN体系结构,并在补充材料中给出了该网络的结果。
局限 -
该系统的主要缺点是
图像分辨率有限
。 在我们的实现中,训练数据集中的图像大小为128×128。 因此,图像编辑只能在此分辨率下执行。 为了提高图像分辨率,我们需要训练具有更高分辨率图像的网络,就像CelebA-HQ[49]一样。 在最近的研究中[33,49],使用这样一个高分辨率图像数据集进行训练是通过逐步增加输入图像的分辨率来进行的。 这种方法也可以直接应用于所提出的RSGAN。 因此,该系统的有限图像分辨率将得到明显的解决。[此方法的缺点:分辨率很低]
5.结论
- 本文提出了一种基于生成神经网络的人脸图像综合编辑系统。 该系统实现了
高质量的人脸交换
,这是本研究的主要范围,即使对于不同方向和不同照明条件的人脸。 由于所提出的系统可以将人脸和毛发的外观编码为潜在空间表示,因此可以通过操纵潜在空间中的表示来修改图像外观。
作为一种深度学习技术,RSGAN体系结构和我们的训练方法的成功意味着深度生成模型甚至可以获得在训练数据集中没有准备的一类图像。 我们相信,我们的实验结果为生成训练数据集中难以准备的数据集提供了一个关键。
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- 让你的手机浏览器来一场AR风暴
演讲 / 劳永超整理 / LiveVideoStack伴随虚拟现实技术的爆发,AR和VR也被应用到各个领域中,而视频直播行业与其融合可谓是“天作之合”,阿里巴巴移动事业群视频播放技术负责人劳永超在LiveVideoStack Meet分享了UC浏览器在WebAR平台研发过程中…...
2024/4/21 1:28:53 - 谷歌推出 ARCore 1.7 版本,增加 AR 滤镜
开发四年只会写业务代码,分布式高并发都不会还做程序员? >>> snapchat 令世人知道了增强现实滤镜,而 Facebook 则进一步通过自家的移动应用程序将其发扬光大。当然,其他人纷纷跟上,但与原创相比,…...
2024/4/24 19:11:59 - 瑞思迈用于CPAP面罩的新款QuietAir散气管的噪音降幅达89%
QuietAir的呼气气流柔和度同时提高70%圣迭戈 -- (美国商业资讯) -- 瑞思迈(ResMed, NYSE: RMD, ASX: RMD)今天推出QuietAir散气弯管,用于其最新款连续正压通气(CPAP)全脸面罩:配置硅胶衬垫的AirFit F20和配置记忆海绵衬垫的AirTouch F20。与瑞思迈的以往…...
2024/4/27 23:02:32 - 最评价的「钢铁人面罩」Leap Motion AR眼镜开起了什么
Leap Motion 的这个 AR 装置,虽然造型不算美观,但在下方的展示影片中,可以看到虚拟图像随着手部动作,在手上、手中及手边出现,类似 Marvel 漫画钢铁人使用的操作系统。而且 Leap Motion 宣称这是款开源 AR 装置&#x…...
2024/4/21 1:28:50 - 西门子采用三井化学的UNISTOLE™作为3D打印医用级面罩的涂层剂
该面罩已在新加坡医院试用 东京--(美国商业资讯)--三井化学株式会社(Mitsui Chemicals, Inc.,TOKYO:4183;总裁兼首席执行官:HASHIMOTO Osamu)今天宣布,其UNISTOLE™聚烯烃基液体胶合剂已被新加坡Siemens Pt…...
2024/4/28 2:05:40 - 【通知】CCIE LAB北京考场9月1日起开放考试
(原文翻译,如有不当敬请谅解) 当我们评估重新开放CCIE认证中心的能力时,我们的客户、合作伙伴和员工的健康和安全仍然是我们最关心的问题。 将根据当地情况、法规、思科公司和医疗指南,逐案重开。尽管我们乐观地认为…...
2024/4/28 1:10:55 - NIOS II 创建示例设计_Quartus II 9.0
安装设计文件 在继续之前,您必须安装 Quartus II 软件和 Nios II 嵌入式设计套件。分析系统要求 本部分介绍的教程示例设计的系统要求。设计的目标如下:有关这些和其他组件,完整详细信息请参阅___<<NIOS II 外围设备>>。启动 Quartus II 软件并新建设计项目 在设…...
2024/4/20 10:37:56 - RabbitMQ测试
1: 本文将进行rabbitMQ的批量写入,用于测试各rabbitMQ节点数据同步的测试,另外编写python脚本,用户和zabbix结合对rabbitMQ的集群状态、队列长度等性能和指标做监控,当出现异常的时候可以触发报警通知相关运维人员,具体如下: 1.1 : 批量写入10万条消息,验证消息同步到各…...
2024/4/20 20:42:39 - 口罩选购及相关标准
GB 国标 GB2626-2006 KN90/95 N90/95 GB19083-2010 : 3m9132 3m 8160 医护人员选购,不要买 YY 医用 YY0469-2011 医用外科口罩 YY/T0969-2013 一次性医用口罩 EN149:2001 FFP1:最低过滤效果≥80% FFP2:最低过滤效果≥94% FFP3&…...
2024/4/20 20:42:38 - [图像分割综述] Image Segmentation Using Deep Learning: A Survey
转载请注明作者和出处: http://blog.csdn.net/john_bh/ 论文链接:Image Segmentation Using Deep Learning:A Survey 会议及时间: Arxiv 2020.01 图像分割是图像处理和计算机视觉中的关键主题,其应用包括场景理解,医…...
2024/4/20 20:42:37 - 云南小学、初中、高中标准教学实验室设备配置清单整体解决方案
云南高中、初中、小学标准化实验室的建设,实现实验室建设现代化、教学仪器配备标准化、实验室管理信息化、实验教学开展制度化,全面提高中小学实验室"建、配、管、用"的整体水平。 云南中小学智慧实验室建设方案、实验室设备配置清单 天成科技…...
2024/4/20 20:42:37 - 揭去面罩:微软新网络服务器IIS7曝光
INQ报道,微软下一代网络服务器已经在其合作伙伴的blog上曝光了。显然,微软已经悄悄地给其合作伙伴们看了新IIS7的预览,该产品将会预计与Longhorn在同一时间段内推出。 Interscape Technologies的.Net开发人员Roberts McLaws在其Blog上说道…...
2024/4/27 23:57:33 - 目标检测领域论文和代码集合(2013年~2018年8月)
转载链接:https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html Jump to... Papers R-CNNFast R-CNNFaster R-CNNLight-Head R-CNNCascade R-CNNMultiBoxSPP-NetMR-CNNYOLOYOLOv2YOLOv3DenseBoxSSDDSSDFSSDESSDInside-Outside Net (ION)CRAFTOHEMR…...
2024/4/20 20:42:34 - Object Detection经典代码与文章
转载自Object Detection Papers Deep Neural Networks for Object Detection paper: http://papers.nips.cc/paper/5207-deep-neural-networks-for-object-detection.pdf OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks arxiv…...
2024/4/25 11:56:38 - 目标检测论文库
转自:https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html Object Detection Published: 09 Oct 2015 Category: deep_learning Jump to... PapersR-CNNFast R-CNNFaster R-CNNYOLOYOLOv2YOLOv3DenseBoxSSDOHEMR-FCNFeature Pyramid N…...
2024/4/21 1:28:47 - 目标检测论文集锦
本文转载自:https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html#ssd Papers R-CNNFast R-CNNFaster R-CNNLight-Head R-CNNCascade R-CNNMultiBoxSPP-NetMR-CNNYOLOYOLOv2YOLOv3DenseBoxSSDDSSDFSSDESSDInside-Outside Net (ION)CRAFTO…...
2024/4/21 1:28:46 - Object Detection
目标检测神文,非常全而且持续在更新。转发自:https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html,如有侵权联系删除。 我会跟进原作者博客持续更新,加入自己对目标检测领域的一些新研究及论文解读。…...
2024/4/21 1:28:45 - ecw2c理解元数据:使用BigQuery k-means将4,000个堆栈溢出标签聚类
您如何将超过4,000个活动的Stack Overflow标签分组为有意义的组? 对于无监督学习和k均值聚类来说,这是一项完美的任务-现在您可以在BigQuery中完成所有这些工作。 让我们找出方法。Visualizing a universe of clustered tags.Felipe Hoffa is a Develope…...
2024/4/26 21:13:04 - Object Detection(目标检测论文、代码整合)
目标检测神文,非常全而且持续在更新。转发自:https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html,如有侵权联系删除。 更新时间: 20181203 我会跟进原作者博客持续更新,加入自己对目标检测…...
2024/4/21 1:28:44 - Object Detection(目标检测神文)
目标检测神文,非常全而且持续在更新。转发自:https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html,如有侵权联系删除。 更新时间: 20190226 暂时停更 不再更新,最新检测文章请移步…...
2024/4/21 1:28:42
最新文章
- SOL跟单机器人是什么?
SOL跟单机器人是什么? 顾名思义,就是对方买什么我们买什么。。 solana跟单机器人,炒土狗新思路 跟聪明地址买入及卖出 1.跟随目标地址买入代币,比目标地址慢1-2秒内上链 2.上链稳定,采用jito路径,防止被夹 …...
2024/4/28 2:14:20 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/3/20 10:50:27 - Oracle备份和还原的几种方式
1、使用数据泵方式 exp demo/demoorcl buffer1024 filed:\back.dmp fully demo:用户名、密码 buffer: 缓存大小 file: 具体的备份文件地址 full: 是否导出全部文件 ignore: 忽略错误,如果表已经存在,则也是覆盖 exp demo/de…...
2024/4/23 6:25:47 - client-go中ListAndWatch机制,informer源码详解
文章首发地址: 学一下 (suxueit.com)https://suxueit.com/article_detail/s9UMb44BWZdDRfKqFv22 先上一张,不知道是那个大佬画的图 简单描述一下流程 client-go封装部分 以pod为例 、先List所有的Pod资源,然后通过已经获取的pod资源的最大版…...
2024/4/27 16:30:06 - 【外汇早评】美通胀数据走低,美元调整
原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...
2024/4/26 18:09:39 - 【原油贵金属周评】原油多头拥挤,价格调整
原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...
2024/4/26 20:12:18 - 【外汇周评】靓丽非农不及疲软通胀影响
原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...
2024/4/26 23:05:52 - 【原油贵金属早评】库存继续增加,油价收跌
原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...
2024/4/27 4:00:35 - 【外汇早评】日本央行会议纪要不改日元强势
原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...
2024/4/27 17:58:04 - 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响
原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...
2024/4/27 14:22:49 - 【外汇早评】美欲与伊朗重谈协议
原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...
2024/4/28 1:28:33 - 【原油贵金属早评】波动率飙升,市场情绪动荡
原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...
2024/4/27 9:01:45 - 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试
原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...
2024/4/27 17:59:30 - 【原油贵金属早评】市场情绪继续恶化,黄金上破
原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...
2024/4/25 18:39:16 - 【外汇早评】美伊僵持,风险情绪继续升温
原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...
2024/4/28 1:34:08 - 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势
原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...
2024/4/26 19:03:37 - 氧生福地 玩美北湖(上)——为时光守候两千年
原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...
2024/4/28 1:22:35 - 氧生福地 玩美北湖(中)——永春梯田里的美与鲜
原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...
2024/4/25 18:39:14 - 氧生福地 玩美北湖(下)——奔跑吧骚年!
原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...
2024/4/26 23:04:58 - 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!
原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...
2024/4/27 23:24:42 - 「发现」铁皮石斛仙草之神奇功效用于医用面膜
原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...
2024/4/25 18:39:00 - 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者
原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...
2024/4/26 19:46:12 - 广州械字号面膜生产厂家OEM/ODM4项须知!
原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...
2024/4/27 11:43:08 - 械字号医用眼膜缓解用眼过度到底有无作用?
原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...
2024/4/27 8:32:30 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57