本周收录安全事件23项，话题集中在网络攻击、数据泄漏方面，涉及的厂商有：Intel、Wordpres、Facebook、LG等。近期黑客频繁使用新出漏洞，对网络边界设备和服务实施攻击。对此，360CERT建议使用360安全卫士进行病毒检测、使用360安全分析响应平台进行威胁流量检测，使用360城市级网络安全监测服务QUAKE进行资产测绘，做好资产自查以及预防工作，以免遭受黑客攻击。

NetWalker勒索软件最初被称为Mailto，于2019年8月首次被发现。此后，在2019年和2020年初发现了新的变种，2020年3月发现了一个强劲的上升趋势。NetWalker已经明显发展成为一种更稳定、更健壮的勒索软件服务(RaaS)模式，Macfee的研究表明，恶意软件运营商正在瞄准并吸引更广泛的技术先进和进取的犯罪团体。自2019年以来，NetWalker勒索软件已经达到了大量不同的目标，主要是在西欧国家和美国。自2019年底以来，黑客团伙表示，他们更喜欢大型组织，而不是个人。在COVID-19大流行期间，NetWalker背后的对手明确表示，不会将医院作为攻击目标，他们是否信守诺言还有待观察。

WastedLocker勒索软件正在滥用Windows内存管理功能，以逃避安全软件的检测。在过去的几周里，WastedLocker勒索软件勒索软件已经变得臭名昭著，因为它被归咎于"受制裁的EvilCorp"黑客组织,并曾经攻击Garmin。在BleepingComputer发布之前的一份新报告中，Sophos安全研究人员解释了WastedLocker是如何使用Windows缓存管理器来逃避检测的。为了提高Windows的性能，常用文件或应用程序指定的文件被读取并存储在Windows缓存中，该缓存利用系统内存。为了绕过反勒索软件解决方案的检测，WastedLocker包括一个例行程序，打开一个文件，将它读入Windows缓存管理器，然后关闭原始文件。

1. 勒索中招后，应及时断网，并第一时间联系安全部门或公司进行应急处理
2. 及时对系统及各个服务组件进行版本升级和补丁更新
3. 网段之间进行隔离，避免造成大规模感染
4. 在网络边界部署安全设备，如防火墙、IDS、邮件网关等
5. 主机集成化管理，出现威胁及时断网

英特尔泄露:20GB的源代码和内部文档

2020年8月7日，美国芯片制造商英特尔的机密文件被上传到了一个公共文件共享服务上，据称这些文件是由黑客入侵造成的。秘密信息缓存容量为20GB，来源不明。这是英特尔一系列泄密事件的第一部分。档案中的一些文件包括技术规范和相关的内部芯片组设计，包括KabyLake平台和英特尔管理引擎(ME)。

勒索软件团伙从LG和Xerox泄露了数十GB的内部数据

在两次勒索失败后，Maze勒索软件的运营商在8月4日公布了企业商业巨头LG和Xerox数十GB的网络内部数据。黑客声称他们泄露了从LG内部网络中窃取的)获取对应产品。

360安全分析响应平台

360安全大脑的安全分析响应平台通过网络流量检测、多传感器数据融合关联分析手段，对网络攻击进行实时检测和阻断，请用户联系相关产品区域负责人或(shaoyulong#360.cn)获取对应产品。

针对以上安全事件，360cert建议广大用户使用360安全卫士定期对设备进行安全检测，以做好资产自查以及防护工作。

360CERT发布安全事件周报

• 人脸合成，尤其是年龄迁移，一直是生成对抗网络 (GAN) 的重要应用之一。大多数现有的人脸年龄迁移方法会将数据集分为几个年龄组并利用基于组的训练策略，这在本质上缺乏提供精细控制的连续年龄合成的能力。
• 这项工作提出统一的网络结构，将线性年龄估计器嵌入到基于 GAN 的模型中，年龄估计器与编码器和解码器联合训练以估计人脸图像的年龄并提供个性化的目标年龄特征嵌入。

• 由于源发型和目标发型的结构差异，发型迁移具有挑战性。提出通过正交化（LOHO）对发型进行潜在空间的优化，用GAN逆映射方法，在发型迁移期间填充潜在空间中缺失的头发结构细节。
• 方法将头发分解为三个属性：结构、外观和风格，并定制损失来独立建模这些属性。提出两阶段优化和梯度正交化，以实现头发属性的潜在空间解纠缠优化。使用LOHO进行潜在空间操作，用户可通过操作头发属性，从参考发型中迁移所需的属性来合成新图像。

• 妆容迁移将参考图像中的化妆风格应用到源脸上。现实生活中的妆容是多样的，包括变色、图案贴纸、腮红甚至珠宝等。然而，现有方法忽视了后者的组成部分，并将妆容迁移到色彩处理上，只关注淡妆风格。
• 这项工作提出一个整体的妆容迁移框架，由改进的颜色迁移分支和图案迁移分支组成，用于学习所有化妆属性，包括颜色、形状、纹理和位置。为训练和评估，还为真实和合成的极端化妆引入新的化妆数据集。

• 尽管此前一些方法在基于音频驱动的说话人脸生成方面已取得不错的进展，但大多数研究集中在语音内容与嘴形之间的相关性上。人脸的情感表现是很重要的特征，但此前的方法总忽视这一点。

• 这项工作提出“表情视频肖像” (Emotional Video Portraits，EVP)，一种由音频驱动、具有动态情感的肖像视频合成系统。具体来说，提出交叉重构式的表情解耦技术，将语音分解为两个解耦空间，即与时长无关的情感空间和与时长相关的内容空间。解开的特征可推断出动态2D表情人脸。

• 提出Pareidolia Face Reenactment 的新应用方向，指的是动画化静态虚幻的脸，让其与参照视频中的人脸一起变动。
• 分解为三个串联过程：形状建模、运动迁移和纹理合成。通过分解，引入了三个关键组件，即参数形状建模、动作迁移和无监督纹理合成器。

• 针对任意人的、以其音频驱动的说话人脸生成研究方向，已实现了较准确的唇形同步，但头部姿势的对齐问题依旧不理想。

• 此前的方法依赖于预先估计的结构信息，例如关键点和3D参数。但极端条件下这种估计信息不准确则效果不佳。本文主要针对的是，如何生成姿势可控的说话人脸。

• 提出一种说话人脸的视频合成模型，并展示在视频会议中的应用。

• 使用包含目标人物的源图像，以及驱动视频来合成源人物说话视频。运动信息基于一种关键点表示进行编码，其中特定于身份和运动相关的信息被无监督地解耦。

• 一次性说话人脸生成应合成具有合理表情和头部姿势动画的高视觉质量人脸视频，并仅以任意驾驶音频和任意单人脸图像为源。由于缺乏合适的高分辨率视听数据集，以及稀疏面部标志在提供不良表情细节方面的限制，当前的工作无法生成超过 256×256 分辨率的逼真视频。
• 为此构建一个大型的高分辨率视听数据集，并提出一种流式引导的说话人脸生成方法。新数据集从youtube 收集，由大约 16 小时的 720P 或 1080P 视频组成。利用人脸3D可变形模型 (3DMM) 将框架拆分为两个级联模块，而不是学习从音频到视频的直接映射。第一个模块里，设计生成器来同时生成嘴巴、眉毛和头部姿势的运动；第二个模块，将动画转化为密集流以提供更多的表达细节，并设计流引导的视频生成器来合成视频。方法能制作高清视频，并在客观和主观比较中优于当前最好算法。

• 生成对抗网络 (GAN) 从随机潜在向量Z合成逼真的图像。虽然通过潜在向量能一定程度上控制合成，但存在以下问题：i) 将真实图像投影到潜在向量的优化耗时，ii) 通过编码器的特征嵌入难精确。提出StyleMapGAN：中间潜在空间具有空间维度，且替代AdaIN，更准确控制。

• 生成对抗网络 (GAN) 能够生成高质量的图像，但仍难明确指定合成图像的语义。这项工作旨在更好地理解 GAN 的语义表示，从而实现语义控制。
• 本文发现训练好的GAN以一种非常简单的方式在其内部特征图中编码图像语义：特征图的线性变换足以提取生成的图像语义。为了验证这种简单性，对各种 GAN 和数据集进行了大量实验；并且由于这种简单性，能从少量（例如 8 个）标记图像中为经过训练的 GAN 学习语义分割模型。最后利用这种发现，提出少样本图像编辑方法。代码/KumapowerLIU/DeFLOCNet

• 一般来说，深度人脸属性编辑模型力求满足两个要求：（1）属性正确性——目标属性应该正确出现在编辑后的人脸图像上；(2) 不相关保存——任何不相关的信息（如身份）在编辑后不应更改。。
• 本文提出一种潜在空间分解模型，称为L2M-GAN，它是端到端学习的，可有效编辑局部和全局属性。（1）GAN 的潜在空间向量被分解为属性相关和不相关的码，并施加正交性约束以确保解开。(2) 学习一个属性相关的转换器来操作属性值；

• 换脸既有娱乐、人机交互等正面的应用，也有DeepFake对政治、经济等的威胁等负面应用。本文提出第一个用于单样本、百万像素级人脸交换方法（或称MegaFS）。
• MegaFS提出“层次表征人脸编码器” (HieRFE) 来表征人脸，保持更多细节，而不是以前的人脸交换方法中的压缩表示。还提出一种精心设计的人脸迁移模块（FTM）将身份从源图像迁移到目标。最后，可以利用StyleGAN2的训练稳定性和强大的生成能力来合成交换的人脸。
• MegaFS的每个部分都可以单独训练，因此可以满足百万像素人脸交换的 GPU 内存模型的相应要求。总之，完整的人脸表征、稳定的训练和有限的内存使用是方法的三个亮点。大量实验了证明MegaFS的优越性，本文也发布了第一个百万像素级别的人脸交换数据库，用于研究DeepFake检测和人脸图像编辑。

• 基于端到端的深度卷积神经网络进行人脸识别，依赖于大型人脸数据集。这需要大量类别（不同人或者身份）的人脸图像，且对每个人都需要各种各样的图像，如此网络才能适应类内差异，增加鲁棒性。
• 然而现实中很难获得这样的数据集，特别是那些包含不同姿势变化的数据集。生成对抗网络（GAN）由于具有生成逼真的合成图像的能力，因此提供了解决此问题的潜在方法。

• 但最近的研究表明，将姿势与个人身份特征分离的方法效果并不好。本文尝试将3D可变形模型合并到GAN的生成器中，生成人脸，并在不影响个人身份辨识度的情况下操纵姿势、照明和表情。所生成的数据用在CFP和CPLFW数据集上，可增强人脸识别模型的性能。

• 为了最大程度地减少年龄变化对人脸识别的影响，先前的工作有两种方案：一是通过最小化身份特征和年龄特征之间的相关性来提取与身份相关的辨识性特征（称为年龄不变的人脸识别age-invariant face recognition，AIFR）；二是通过转换不同年龄组的人脸到同一年龄组，称为人脸年龄生成（face age synthesis，FAS）；但是，前者缺乏用于模型解释的视觉结果，而后者则的生成效果可能有影响下游识别的伪影。
• 本文提出一个统一的多任务框架MTLFace来共同处理人脸识别和生成任务，它可以学习与年龄不变的身份表征，同时完成人脸合成。具体来说，通过注意力机制将混合的人脸特征分解为两个不相关的部分（身份和年龄相关的特征），然后使用多任务训练和连续域自适应将这两个部分的相关性进行解耦。
• 其中，与实现组级FAS的常规one-hot编码相反，提出了一种新颖的以身份作为条件的模块来实现身份级别的FAS，并采用权重共享策略来改善合成人脸的年龄平滑度。

• 此外，收集并发布带有年龄和性别标注的大型跨年龄人脸数据集，以推进AIFR和FAS的发展。在五个基准跨年龄数据集上进行的广泛实验表明，MTLFace性能优于现有的AIFR和FAS方法。/bluestyle97/PNVS

• 视图合成通常由自动编码器完成，其中编码器将源视图图像映射为潜在内容码，解码器根据条件将其转换为目标视图图像。但在此设置中，源内容往往没有得到很好的保存，这会导致视图转换过程中发生不必要的更改。虽然添加如Unet的结构，可缓解问题，但经常导致视图一致性不佳。
• 本文以迭代方式执行源到目标的转变合成，不是简单地结合来自多个编码器层的特征，而是设计软和硬变形模块，将编码器特征扭曲到不同分辨率的目标视图，并将结果提供给解码器以补充细节。

• 生成对抗网络 (GAN) 在无条件和有条件的图像生成中都显示出令人印象深刻的结果。近来一些研究表明，可以迁移不同数据集上的预训练 GAN，以改进小目标数据的图像生成效果。
• 本文引入了一种新的 GAN 迁移方法来显式地将知识从旧类传播到新类。关键思想是强制条件批量归一化 (BN)从旧类信息学习新类信息，并进行知识共享。代码：/ruiliu-ai/DivCo

• 语义图像合成（Semantic image synthesis），将语义布局转换为照片般逼真的图像，是一个一对多的映射问题。

• 尽管已有不错的进展，但有效地产生多样化效果仍是一个挑战。本文从语义类分布的角度提出一种多样化语义图像合成框架，支持语义甚至实例级别的多样化生成。
• 提出通过将类级条件调制参数建模为连续概率分布而不是离散值来实现，对多个数据集的大量实验表明，与最先进方法相比，可以实现更好的多样性和视觉质量。代码：/wtliao/layout2img

• 本文提出一种用于自动平面图生成的GAN网络，方法由图约束的关系GAN和条件GAN集成。前一步生成的布局作为下一个输入，实现迭代细化。

• 尽管最近生成对抗网络 (GAN) 在合成逼真图像方面取得了进展，但生成复杂的城市场景仍然是一个具有挑战性的问题。
• 这项工作探索的是，更高的语义控制下的条件布局生成：给定一个类比例向量，生成对应的布局。

• 提出一种多模态图像转换的新方法，解决输入域和输出域之间的一对多关系。本文预训练通用风格编码器，学习从任意域到低维风格潜在空间的图像特征嵌入。与以前的多模 I2I 转换传统方法相比，学习到的潜在空间优点是：首先，它不依赖于目标数据集，并且可以很好地跨多个域泛化；其次，它学习了一个更强大和更具表现力的潜在空间，提高了风格捕捉和迁移的保真度；预训练还简化了训练目标并加快训练速度。
• 此外，本文详细研究了不同损失项对多模态 I2I 转换任务的贡献，并提出一种简单的VAE替代方案，以实现从不受约束的潜在空间采样。最后，在六个基准测试中取得了当前最好的结果。其训练目标简单，仅包括 GAN 损失和重建损失。

• 最近的自监督对比学习通过从输入的不同视图（转换版本）中学习不变性，为无监督行人重识别 (ReID) 提供了一种有效的方法。本文将生成对抗网络 (GAN) 和对比学习模块合并到一个联合训练框架中，GAN 为对比学习提供在线数据增强，对比模块学习视图不变特征以进行生成。在这种情况下，提出一个基于网格的视图生成器和一种视图不变损失，以促进原始视图和生成视图之间的对比学习。实验结果表明，方法在几个大规模 ReID 数据集上的无监督和无监督域自适应设置下均优于最先进的方法。源代码和模型：/ecnuycxie/DG-Font

• 仿真对训练和验证机器人系统至关重要。这项工作目标是通过观察无标签的帧序列及其相关动作，学习直接在像素空间中模拟动态环境。

• 缺乏训练样本仍是皮肤病变分析的主要挑战之一。通过合成与真实图像无法区分的样本，生成对抗网络 (GAN) 似乎是缓解该问题的诱人替代方案。但本文作者更偏向于一种质疑批判的态度，认为由于与 GAN 使用相关的成本和风险，这些结果表明在将其用于医疗应用时要谨慎。

• 图像是营销活动、网站和横幅的主要形式之一。这可能需要设计师花费大量时间来生成此类专业的内容。提出一种简单而新颖的调节策略，针对无条件图像生成任务训练的生成器生成给定语义属性的图像。
• 方法基于修改潜在向量，使用潜在空间中相关语义属性的方向向量，处理离散（二类、多类）的和连续的图像属性。

• 现有的生成器网络一般都依赖空间卷积、或者自注意力模块，然后以由粗到细的方式逐渐合成图像。
• 本文提出一种新的生成器架构，其中每个像素的颜色值是根据随机潜在向量的值和该像素的坐标独立计算的，在合成过程中不涉及跨像素传播信息的空间卷积或类似操作。

• 随神经网络越来越多地应用于实际中，解决数据分布差异、偏移和序列任务学习等问题、不会“遗忘”至关重要。通过增加模型容量来学习新任务，同时避免灾难性遗忘，但可能很耗算力。
• 基于连续学习提出一种特征图转换策略，为学习新任务提供了更好的灵活性，而这只需在基础架构中添加最少的参数即可实现。

• 在风格迁移或者GAN里，经常通过以目标分类识别任务而优化好的网络（例如 VGG-19），利用其提取特征激活，从而获取统计数据来计算纹理损失；其本质数学问题是测量特征空间中两个分布之间的距离。Gram-matrix loss 是这个问题的普遍近似，但它有一些缺点。

• GAN模型依赖大量的训练数据，这项工作提出一种在有限数据上训练鲁棒 GAN 模型的正则化方法。在理论上展示了正则化损失和称为 LeCam-divergence 的 f-divergence 之间的联系，它在有限的训练数据下更加稳健。/mit-han-lab/anycost-gan

• 直接应用通用常见的压缩方法在 GAN 上，结果往往不佳。本文提出无条件 GAN 压缩的新方法，首先介绍专门用于无条件 GAN 的有效通道修剪和知识蒸馏方案。然后，提出内容感知方法来指导修剪和蒸馏的过程。与全尺寸模型StyleGAN2相比，FLOP减少了11倍，图像质量损失在视觉上可以忽略不计。

• 全监督离焦模糊检测 (defocus blur detection，DBD) 模型显著提高了性能，但训练这种深度模型需大量的像素级手动标注，非常耗时、易错。针对这个问题，本文致力于在不使用任何像素级标注的情况下训练深度 DBD 模型。

• 在不影响全模糊图像/全清晰图像的判断的情况下，可以任意粘贴散焦模糊区域/对焦清晰区域到给定的真实全模糊图像/全清晰图像。具体来说，以对抗双重判别器 Dc 和 Db 的对抗方式训练生成器 G。G 学习生成 DBD 掩码，通过将聚焦区域和未聚焦区域从相应的源图像复制到另一个完整清晰图像和完整模糊图像，从而生成复合清晰图像和复合模糊图像。

• 人脸恢复在人脸图像处理中很重要，通常很难将低质量 (LQ) 人脸图像转换生成高质量 (HQ) 结果。本文提出一种渐进式语义感知风格转换框架PSFR-GAN，用于人脸恢复。
• 与以前的方法使用编码器解码器不同，本文基于一种多尺度渐进、语义感知的风格转换过程。给定一对LQ人脸图像及其对应的解析图，首先生成输入的多尺度金字塔，然后从粗到细逐步调制不同尺度的特征。与之前的网络相比，PSFR-GAN 充分利用了来自不同尺度输入对的语义（解析图）和像素（LQ 图像）空间信息。

• 基于深度学习的图像去雨方法通常依赖于成对的清晰图像和模拟的雨天图像。然而，由于简化合成雨与复杂真实雨之间的巨大差距，这些方法在面对真实雨时会出现性能下降。
• 这项工作认为雨水的产生和去除是同一枚硬币的两个方面，应该紧密耦合。提出在统一的、解耦的图像转换框架内共同学习真实的雨生成和去除过程。具体来说，提出一个双向解耦转换网络，其中每个单向网络包含两个循环，分别用于真实和合成雨图像的生成和去除。

• 对于单图像去雨 (single image rain removal，SIRR) 任务，基于深度学习 (DL) 的方法的性能受去雨模型和训练数据集的影响。本文探索一种有效的合成雨天图像的方法，从训练数据集的角度处理 SIRR 任务。
• 具体来说，为雨天图像构建了一个完整的贝叶斯生成模型，采用变分推理以数据驱动的方式近似预测雨天图像的统计分布。通过学习生成器，自动充分生成多样化的训练对，有效丰富现有基准数据集。用户研究定性和定量评估生成的雨天图像真实性。综合实验证明，所提出模型可提取复杂的降雨分布，有助于提高当前单幅图像去雨性能，且在很大程度上放宽SIRR任务对大训练样本预收集的要求。代码/USTC-

• 提出了一种所谓的两阶段、外部-内部修复方案。外部学习，重建单色空间中缺失的结构和细节；内部学习，针对单图像内部的颜色恢复，采用渐进式学习策略。

• 本文提出图像处理中的一个新应用，即“宽度上的图像融合”（wide-range image blending），旨在通过为它们之间的中间区域生成新的图像内容，将两张不同的输入照片平滑地合并成一张全景图。
• 尽管此类问题与图像修复、图像修复和图像混合等主题密切相关，但类似的方法无法解决。为此，提出了一种双向内容传输模块，通过循环神经网络对中间区域的特征表示进行条件预测。除了在混合过程中确保空间和语义的一致性外，还在提出的方法中采用了上下文注意机制以及对抗性学习方案来提高合成全景的视觉质量。

• 现有的人脸补光（Face Relighting）方法面临两个难点：保持被摄对象的局部面部细节和准确去除和合成重打光图像中的阴影。
• 本文方法学习预测具有所需照明的源图像和目标图像之间的比率图像，在保持局部面部细节的同时重新进行补光。训练期间，模型还通过用估计的阴影蒙版来强调高对比度阴影边界来准确修改阴影。

• 阴影去除旨在恢复阴影区域中的图像内容。本文提出G2RShadowNet，通过仅用一组阴影图像及其相应的阴影掩模进行训练，利用阴影生成进行弱监督阴影去除。

• 不同的图像进行合成时，不可避免地会遇到“不协调自然”的问题，这主要是由于来自具有不同表面和光线的两个不同图像的前景和背景不兼容引起的。
• 本文寻求通过反射和照明的可分离协调来解决图像协调任务，即内在图像协调。方法基于自动编码器，将合成图像分解为反射和照明，以进一步单独协调。

• 提出一种基于 GAN 的简单有效的语义分割方法，只需要一个标签示例和一个未标记的数据集。关键思想是利用经过训练的 GAN 从输入图像中提取像素级表示，并将其用作分割网络的特征向量。实验表明，这种 GAN 衍生的表征具有极佳的区分度，可以产生令人惊讶的效果，与使用更多标签训练的监督方法相媲美。

• 近来，图像转换任务在多标签（不同标签为条件）和多风格的生成任务上都取得了不错进展。
• 但由于标签不具备独立性、排他性，图像转换结果b并不能完全精准可控。本文提出分层风格分离（HiSD）来解决此问题。具体来说，将标签组织成分层的树状结构，其中独立的标签，排他的属性和解耦的风格从上到下进行分配。相应地，设计一种新的转换过程以适应上述结构，确定可控转换的风格。在CelebA-HQ数据集上的定性和定量实验都证明HiSD的能力。

• 提出跨域图像的全分辨率学习应用于图像转换任务。采用分层策略，使用粗级的对应关系来指导细级。在每个层次结构中，可通过PatchMatch有效地计算对应关系，在每次迭代中，ConvGRU模块用于细化当前，考虑更大的上下文和历史估计。它是可微且高效的，当与图像转换联合训练时，以无监督的方式建立全分辨率语义对应关系，促进转换质量。

• 图像转换方法往往会面临数据域不平衡问题，例如其中一个域缺乏丰富性和多样性。本文提出新的无监督BalaGAN，专门用于解决域不平衡问题。针对两个不平衡域的图像转换问题，利用相对更丰富数据域的潜在模态转化为多类域的转换问题。在没有任何监督的情况下分析源域并学习将其分解为一组潜在模式或类。

• 手势到手势的转换是一个重要、有趣的问题，在许多应用中发挥着关键作用，例如手语制作。此任务涉及对源和目标手势之间映射的细粒度结构理解。本文提出一种新的模型感知手势转换方法。

• 本文提出一种新的显著性引导的图像转换任务，其目标是基于用户指定的显著性图进行图像到图像的转换。为此，给定原始图像和目标显著性图，提出SalG-GAN，一种解耦的表示框架。
• 引入了基于显著性图的注意力模块作为一种特殊的注意力机制。此外，构建了一个合成数据集和一个带有标记视觉注意力的真实数据集，用于训练和评估SalG-GAN。

• 生成对抗网络 (GAN) 在生成高保真图像方面取得巨大成功，但需要巨大的计算成本和内存使用。这项工作引入一个教师网络，提供一个搜索空间，除知识蒸馏外，还可以在其中找到有效的网络架构。压缩网络实现了与原始模型相似甚至更好的图像保真度（FID，mIoU），且大大降低计算成本

• 尽管 GAN 在具有不同条件输入（例如语义分割和边缘图）的图像转换方面取得巨大成功，但生成具有参考风格的高保真图像方面，仍是巨大挑战。
• 本文提出一个通用的图像转换框架，结合条件输入和风格示例之间特征对齐的最优传输，显著减轻了多对一特征匹配的约束，同时在条件输入和样本间建立准确的语义对应关系。

• 图像到图像的转换任务，旨在保留源内容，同时在两个视觉域之间转换到目标风格。大多数方法应用对抗学习，在计算上可能很昂贵且训练具有挑战性。本文提出，在预训练自动编码器的潜在空间中部署基于能量的模型 (EBM)。预训练自动编码器既可作为潜码提取器，也可图像重建，是第一个适用于分辨率未配对图像转换的方法。

• 给定单目人脸图像作为输入，3D 人脸几何重建旨在恢复相应的 3D 人脸mesh。这项工作提出一种新的生成对抗渲染器 (GAR)。

• 引入GAN框架，用于从一张无约束的照片中数字化一个人3D 头像。

• 基于端到端的深度卷积神经网络进行人脸识别，依赖于大型人脸数据集。这需要大量类别（不同人或者身份）的人脸图像，且对每个人都需要各种各样的图像，如此网络才能适应类内差异，增加鲁棒性。
• 然而现实中很难获得这样的数据集，特别是那些包含不同姿势变化的数据集。生成对抗网络（GAN）由于具有生成逼真的合成图像的能力，因此提供了解决此问题的潜在方法。

• 但最近的研究表明，将姿势与个人身份特征分离的方法效果并不好。本文尝试将3D可变形模型合并到GAN的生成器中，生成人脸，并在不影响个人身份辨识度的情况下操纵姿势、照明和表情。所生成的数据用在CFP和CPLFW数据集上，可增强人脸识别模型的性能。

• 提出一种新生成模型，称为周期隐式生成对抗网络（π-GAN 或 pi-GAN），用于高质量的 3D 感知图像合成。

• 提出一种新的全身人体数字化方法，从一张或几张图像中创建穿着打扮的数字人。项目代码 saic-violet.github.io/style-people

• 大多数 3D 形状补全方法严重依赖全监督方式。本文提出ShapeInversion，首次引入生成对抗网络 (GAN) 的逆映射来形状补全。