随着计算机视觉技术的应用发展,人脸属性编辑应用在现实场景中得到拓展,不仅实现了对现有人脸磨皮和人脸美白等基础功能的强化,在图像美化、视频直播、人脸对抗攻击等领域也得到了广泛应用。人脸属性编辑旨在更改图像的一个或多个属性,比如发色、肤色、年龄等,并保留其他属性不变,属性编辑的关键是保持目标属性图像的高质量和准确性。近年来随着生成对抗网络的出现,人脸属性编辑方法得到了极大的发展,但现有的算法仍存在一些不足之处。大多数算法着重于实现有无某种属性的编辑,缺乏针对特定模板属性的添加和删减,比如特定形状的刘海添加;另一方面,在人脸多属性同时编辑时,现有算法难以实现多属性在特征空间的解耦,导致多属性编辑模式下会产生较多人造伪影、人脸无关变形、背景改动等缺陷。本文针对这些问题,基于生成对抗网络,对人脸属性编辑算法进行深入研究。本文的主要工作如下:(1)提出了一种基于双路编码和注意力机制的人脸属性编辑算法。业界现有的模板属性编辑算法中,缺少生成图与参考模板图的属性样式一致性的考量,并且容易出现人造伪影等缺陷。针对这一问题,本文使用独立的属性编码器和背景编码器对图像进行双路编码,解离出属性相关向量和属性无关向量,提升属性表征的独立性。另一方面,在解码过程中使用注意力多维特征融合的方式,将具有大量细节的背景多维度向量进行筛选组合,与属性编辑组合后输入到解码器中。该操作有利于提升图像生成质量和属性编辑的准确性。在Celeb A数据集上的实验结果表明,该算法能够实现具有更高图像质量和更精准属性样式的人脸生成结果。(2)提出了一种基于循环网络的人脸多属性编辑算法,以解决现有算法在多属性编辑时存在的属性间干扰和生成质量低下的问题。一方面,利用编码器提取属性特征和背景特征后,以特征空间多属性特征解离为目的,引入属性条件标签参与隐层交换,使用隐层多属性去相关的操作策略,有利于提升隐层空间中各属性子向量的表征独立性;另一方面,为了提升多属性编辑结果的自然度,减少人造伪影效应和人脸结构的破坏,该算法使用循环网络架构,在现有基础上引入反馈回路以提取隐藏层输出和输出图像的反馈特征。实验结果表明该算法能够生成更加清晰和高质量的人脸编辑图像,在人脸多属性编辑任务中效果显著。