近年来基于深度学习的图像生成高速发展,人脸图像由于其丰富的应用,成为了图像生成的重要焦点。定制化人脸生成具有广泛的应用场景,例如身份替换,年龄性别定制等技术已经在社交娱乐领域催生了大量应用,与此同时,人脸重演技术是动态头像、虚拟主播等新兴应用的重要基础。本文提出了一种全新的基于生成式对抗网络的人脸生成算法,该算法可以将人脸的身份信息、表情姿态和环境属性分离,通过对三个分离表示的控制和重组,实现了高度可控的人脸定制化生成。利用不同的重组方式,单一模型可以同时支持人脸身份替换和人脸重演两类应用。算法框架分为人脸属性提取和融合生成两部分,属性提取部分可以从输入的人脸图像中提取身份向量,人脸关键点和环境向量。融合生成部分以三种属性作为输入,生成一张新的人脸。在视频人脸身份替换应用中,人脸关键点和环境向量由视频帧中的人脸提供,而身份向量由单张目标人脸提供,由此可生成保持视频人物动作姿态环境但带有目标人脸身份的新人脸,以完成视频人物的身份替换。在人脸重演应用中,通过单独调整人脸关键点输入,即可精确控制生成人脸的表情和姿态。为实现基于分离表示的人脸生成,我们基于生成式对抗网络设计了可控融合生成网络框架,同时我们还进一步研究了生成任务中的监督约束,设计了特征循环约束的训练方式,在不需要额外标注的情况下让网络自发的学习环境属性的提取以及融合人脸的生成。我们在Faceforensics++数据集[1]上做了一系列的对比实验和比较,进一步阐述了本方法的人脸生成性能。