人脸是人类重要的身份特征信息,人脸图像的计算机视觉领域相关技术,在现实生活中有着广阔的应用场景。近年来,“换脸”相关内容在互联网上备受关注,人脸图像替换技术逐渐成为当下热门的研究课题。由于传统方法的复杂和低效率,采用深度学习的图像转换方法成为解决人脸替换任务的首选。不同于现如今深度学习技术在判别任务当中成熟表现,人脸图像替换需要使用复杂的生成模型,仍存在大量问题待进一步研究探索。本文使用基于深度学习的方法,对人脸图像中特征信息进行处理,在保证面部表情、姿势和光照条件等语义特征不变的条件下,对图像中人脸生物自然特征进行替换,不改变原图场景的同时达到图像中人物身份替换的目的。本文主要研究内容如下:1.分析了人脸图像替换技术难点及替换过程,并以此作为依据设计出一整套人脸到人脸图像替换方案。在构建替换方案的核心转换模型之前,研究了建立统一格式的实验数据所用到的S3FD人脸区域检测和FAN关键点检测算法,以及在转换实验后对转换结果进行图像融合的后处理方法,最终在实际应用中完成人脸替换的任务。2.研究了一种基于自编码器的人脸转换模型。首先对比分析了循环生成对抗网络和自编码器网络在转换任务中性能区别,确立了单编码器多解码器的人脸图像转换网络架构。转换网络首先创新地设计了输入前的变换扭曲预处理模块,再将共用参数编码器与对应不同人脸的解码器结合组成转换模型主体,并参考重构图像任务对损失函数的研究,设定出一种L2和SSIM综合的重构人脸损失函数。实验结果显示该转换模型相比较其他转换方法,人脸转换结果有更高的生成图像质量及转换准确率。3.研究了一种结合生成对抗网络算法并改进上下采样过程的转换模型。在现有基于自编码器算法模型的基础上,建立判别网络来引入生成对抗机制。同时对已有的单编码多解码结构进行改进,将原本特征提取的编码阶段替换为Google InceptionNet中的多尺度卷积方法,在解码阶段采用超分辨率任务中提出的新的PixelShuffle上采样方法。最后以生成对抗的方式训练得到改进的转换模型,对比实验结果表明,改进模型进一步提升了转换生成的人脸图像的质量。