通过使用合成的老化数据和真实的老化数据来进行深度学习的人脸识别算法训练和验证，实验结果表明，在年龄差异为 40 岁的图像上进行测试时，与基准模型相比，使用合成老化图像训练的模型的识别率提高了 3.33％，从而证明了合成年龄数据对增强年龄不变的人脸识别系统性能的潜力。

Jun, 2024

本文提出了一种基于生成对抗网络 (GAN) 的自动面部老化方法，强调在改变面部属性的同时，保留原始人物身份。通过新颖的 GAN 潜在向量的 “身份保持” 优化方法，通过现有的面部识别和年龄估计解决方案，对所得到的老化和回复面部图像进行客观评价，证明了所提方法的高潜力。

Feb, 2017

本文提出了一种名为 FADING 的基于扩散编辑的面部老化方法，通过利用大规模语言 - 图像扩散模型的丰富先验信息，通过特定的预训练扩散模型和年龄感知微调策略，将输入图像逆向编码到潜在噪声并获得优化的空文本嵌入，最后通过注意力控制进行基于文本的局部年龄编辑，定量和定性分析表明，该方法在老化准确性、属性保护和老化质量方面优于现有方法。

Sep, 2023

本文提出、训练和验证了使用潜在的文本到图像扩散模型来综合老化和年轻化的人脸图像，评估了该方法在 CelebA 和 AgeDB 数据集上的表现，发现与现有的最先进基线相比，误识率显著降低了约 44%。

Jul, 2023

通过将线性年龄估计器嵌入到基于生成对抗网络的模型中，结合自编码器和解码器一起训练，从而实现面部图像的年龄估计和带有个性化目标年龄嵌入的面部年龄进程 / 回归，通过个性化的残差年龄嵌入和例子面部老化基础，综合估计年龄和生成个性化的老化面部。该方法改进了现有方法中连续面部老化方面的表现，取得了显著的定性和定量成果。

Apr, 2021

本文通过使用最新的面部年龄修改算法来模拟人脸衰老并生成相应的人工样本，研究了年龄对开源生物特征识别系统表现的影响，发现 1-5 年短期衰老对一般的识别表现只有轻微影响，但在 20 年以上的长期跨度内正确验证配对面部仍然是一个重要的挑战，并需要进一步研究。

Aug, 2022

本文提出了一种新的深度学习架构，称之为 Age-Invariant Model（AIM），在交叉年龄的情况下对人脸进行合成和识别，以实现更加可靠的人脸识别，并提出了一个新的大规模数据集，以促进年龄不变人脸识别研究的前沿。

Sep, 2018

本文提出一种基于条件生成对抗网络的框架，用于同时实现面部年龄进展和退步，结合空间注意机制和两种分开的生成器，以解决多个模型的训练和图像逼真度问题。实验结果表明，该模型能够在多个数据集上合成高度逼真的面部图像，年龄无关的区域保持不变。

Mar, 2019

该研究提出了一种基于条件生成对抗网络 (cGAN) 的渐进式面部老化框架，该框架由多个子网络组成，逐步模拟从年轻到老的面部老化过程，并引入了年龄估计损失和皮尔逊相关系数等评估指标以提高老化准确性和平滑度。在两个基准数据集上的实验结果表明，该研究的方法在面部老化方面表现优异。

Dec, 2020

本文提出了一种统一的、多任务的人脸识别框架 MTLFace，能够在处理年龄变化对人脸识别的干扰时实现年龄不变的身份相关特征提取，同时避免了传统面部年龄合成处理中的伪影和瑕疵，取得了较好的实验结果和性能表现。

Mar, 2021