人脸属性迁移是一种图像生成技术,它指的是由一张真实人脸图像生成具有相同身份信息、指定属性信息的人脸图像,并尽可能保留原始图像中的细节信息。基于特征提取神经网络的传统方法所生成的人脸图像真实感较差,且细节信息不足。为了提高生成图像的质量,在人脸属性迁移算法中引入了生成对抗网络。现有的算法中仍存在的问题有:一些研究聚焦于属性之间的独立性而忽视了信息的完整性,导致了生成图像中身份信息的丢失;另一些方法注重信息的完整性而不能保证属性之间的独立性,导致了生成图像中非指定属性信息的变化;现有算法的生成对抗网络结构中判别器和生成器很难同时收敛,导致了训练过程中存在的训练不稳定、模式崩溃等问题。针对现有算法中的上述问题,本文提出了一种基于属性独立生成对抗网络的人脸属性迁移算法。同时,针对生成对抗网络中的判别器与生成器提出了一种可变式交替训练机制。论文的工作分为三部分:(1)提出了一种基于属性独立生成对抗网络的人脸属性迁移算法。论文引入了分层结构的身份向量,其不同部分可控制生成人脸图像中不同层次的特征。在网络中引入了编解码器的结构,在损失函数中引入了身份向量的重构损失,使得本算法既能保证属性之间的独立性,又能最大程度的减少生成图像中其它细节信息的丢失。(2)提出了一种生成对抗网络的训练方法。除了解决训练不稳定和模式崩溃等常见问题,本方法还针对判别器和生成器提出了一种可变式交替训练机制,在训练过程中可以根据当前状态实时调整交替参数的值以维持判别器和生成器之间的动态平衡。这保证了网络在反向传播中能获得较高的梯度值,并能有效防止梯度消失现象的发生。(3)通过实验证明上述方法的有效性,主要包括:与现有算法所生成的人脸图像在多个评价指标下的对比分析、本模型在不同训练方法下收敛情况的对比分析。实验表明:论文所设计的人脸属性迁移算法能够生成更加清晰和真实的人脸图像;论文所提出的训练方法能在加速生成对抗网络收敛过程的同时有效防止梯度消失现象的发生。