人脸属性编辑是指更改人脸图像的某个或者某些属性,比如姿态、表情、年龄等,而其它的属性不发生变化。目前,人脸属性编辑在社交娱乐,人机交互等场景具有广泛的应用。诸如美颜、换脸、虚拟人助理等已经在手机端被广泛使用。随着计算机图形学和计算机视觉,特别是生成对抗网络的快速发展,人脸属性编辑算法也层出不穷。然而,其中的有些算法对于人脸属性的解耦不充分,并且需要大规模的人脸属性标注数据来训练网络,这限制了这类算法的编辑效果。另一些算法则对于真实的人脸编辑需要较长的处理时间,这极大地限制该类算法的使用场景。本文针对这些问题,提出了一个能够快速实现人脸属性解耦和编辑的算法,并且该算法采用弱监督的方式实现,不需要使用大规模的人脸属性标注数据集。为了实现多种人脸属性编辑,本文提出了一种人脸属性的解耦表示方法。本文将人脸属性分为身份、细粒度纹理、姿态、表情、光照等五种属性。通过结合3D人脸模型和基于卷积神经网络的编码器,实现了更加准确且快速的人脸属性表示方法。对于姿态、表情、光照等信息,利用了3D人脸模型对于这些属性的解耦能力。而对于身份和纹理信息,则利用了深度神经网络提取图像信息的能力,实现更加准确的表达。其中对于纹理信息,本文能够实现细粒度的纹理编辑。为了生成高质量的人脸图像,本文设计了合适的生成对抗网络来融合这些属性从而生成具有特定属性的人脸图像。本文通过设计多尺度空间归一化模块来融合纹理和身份信息,从而极大程度上准确地保留了纹理和身份信息。通过优化人脸关键点等属性约束函数,本文实现了高质量的人脸图像生成及属性解耦。本文提出的算法可以直接应用于换脸、细粒度妆容迁移、姿态编辑、表情驱动、光照编辑等五个任务,并且能够快速地生成高质量的属性编辑图像。最后,通过定量和定性实现表明,本文提出的算法在上述任务中都达到或者接近当前最好的效果。