人脸属性编辑致力于改变人脸图像的一个或多个特定的属性,同时维持属性无关的图像区域不变,实现了对图像的精细化操控,使得人们能够加深对图像数据的理解。这一技术已被广泛应用于自动美颜、虚拟角色的生成,以及其他计算机视觉任务的数据增强。基于生成式对抗网络的方法虽然凭借逼真的编辑结果,已成为实现人脸属性编辑的主流方法,却依旧面临诸多问题。首先,当学习编辑多个人脸属性时,属性组合的多样性会导致难以收集到充足数据,进而产生属性纠缠问题,即原本没有关联的属性之间的编辑会相互干扰。其次,样本不平衡情况下多数类样本会轻易主导学习过程,使得现有方法在少数类属性值上表现差。此外,完整图像的生成方式令属性编辑不精确,属性以外的图像区域也会被影响。为了解决上述问题,本文提出一种平衡栈式生成式对抗网络,将多属性编辑拆分为多个单属性编辑任务,并利用网络结构相同的基础生成式对抗网络进行独立学习,以解决属性纠缠问题。学习过程中,带有少数类属性值的样本将被赋予更大的学习权重,使得该类样本被给予更多关注,最终模型在不同属性值上的表现较为平衡。同时,只与属性相关的残差图像被作为每个网络的直接学习目标,提升了编辑精确性。学习结束后,所有网络的生成器被堆叠起来形成栈式结构,对输入人脸图像的多个属性,进行逐一编辑。此外,拆分多属性编辑的方式和残差图像学习降低了单个网络的训练难度,从而使轻量化的网络结构可以被采用,节约训练成本。综上所述,本文研究工作做出了如下贡献:1)提出一种平衡栈式生成式对抗网络,在多属性编辑和样本不平衡情形下,能够大幅提升人脸属性编辑的图像质量和精确度;2)提出的栈式结构增强了多属性编辑的灵活性,即当新增需要编辑的属性时,只需要训练新增属性对应的网络,并将其堆叠到已有模型,而非从头开始训练整个模型;3)对模型性能进行了实验验证,在图像质量、编辑准确率和训练代价等方面,与主流的基于生成式对抗网络的方法进行了比较与分析。实验结果表明,本文提出的方法在取得与主流方法可比训练代价的前提下,大大提高了人脸属性编辑的效果。