人脸属性编辑旨在操纵面部图像的单个或多个属性,生成具有所需属性的新面部图像,同时保留其他原始细节,在智能监控、娱乐社交等诸多领域有着广泛的应用需求。传统的人脸编辑需要借助专业的图像编辑软件完成,但由于普通用户往往缺少专业的图像编辑技能,因此这种方式并不符合大多数普通用户的需求。目前很多公司推出了针对性的人脸编辑应用,例如美图公司出品的美图秀秀,字节跳动推出的激萌和轻颜相机等。这些产品在一定程度上满足了普通用户的需求,但仍然存在一些缺陷,比如编辑调整后的图像失去了原有的细节,操作不够简单等,需要对相应的功能进行进一步优化。为了解决上述问题,获得更加真实自然的人脸图像编辑效果,本文借助深度学习网络,设计了一个人脸图像编辑系统。该系统由人脸和人脸关键点检测网络、人脸分割网络和人脸编辑网络三个部分构成。对于人脸检测和人脸关键点检测部分,为了取得较高的精度,人脸检测和人脸关键点检测一般依赖于独立的检测网络。但这样设计的网络往往有较多的参数量,这使得网络推理时运算量较大,速度较慢。考虑到人脸检测和人脸关键点检测这两个任务具有很强的相关性,本文设计了一个轻量化的人脸和人脸关键点联合检测网络–Flash Net,利用多任务学习的方式将这两个任务建模在统一的神经网络框架之下,并利用结构化知识蒸馏技术进一步提高了Flash Net的检测精度。对于人脸分割部分,本文提出了一个轻量化人脸分割网络-Flash Seg Net。该网络采用了快速下采样方式来减小网络运算量,并通过一个全局池化操作来获得较大的上下文信息,利用注意力机制和特征融合的方式来增强特征表达能力。此外,本文利用针对语义分割的结构化知识蒸馏方法提高网络精度。针对样本类别数量不均衡的问题,本文设计了一个权重调节系数来控制训练过程中的梯度回传强度以提高含有少量样本的类别的分割精度。对于人脸属性编辑部分,本文采用一种条件式生成对抗网络来生成人脸图像。为了获得高清的人脸图像,采用了由粗到精的生成器结构和多尺度判别器结构。为了将人脸属性解耦,使得各部分属性在进行编辑的时候不会互相影响,本文利用语义分割掩膜作为生成条件并针对人脸属性编辑任务提出了一种新的语义区域自适应归一化模块以提高生成的人脸质量。本文的核心在于借助深度学习工具来实现更快捷更自然的人脸编辑。大量的实验结果表明,本文提出的各项算法精度可以满足人脸编辑系统的要求,用户可以实现较高自由度的人脸编辑。