在说话人视频生成的工作上， 一个很倍受关注的点是如何保证生成视频帧时间上的连续性和一致性， 也即人物身份特征的不变性和时间上的唇形连续性。 前人通过音频驱动单张照片输出视频的端到端模型大体上可以分为两类： 1） 独立帧生成（frame-to-frame） 2）顺序生成。 基于frame-to-frame方法的探索我们之前介绍过 “Lip movements generation at a glance"， 而从顺序生成的角度，就是本文要介绍的这篇 IJCAI 2019 文章
在深度学习视频合成, 数字人仿真方向, video-to-video方法绝对是可以有一席之地的, 笔者在人脸合成相关工作中也有用到v2v技术, 这里就将详细探讨一下它带给我们的新方法.
2016年的perceptual loss在图像生成领域有很广泛的影响, 应用在多个相关任务中. 近期笔者在研究多模态人脸合成时重温了这篇文章,又有新的感触, 分享于此
本文介绍图像转换pix2pix的进阶版pix2pixHD
图像生成的经典文章pix2pix分析解读