本文提出了一种基于 Temporal Non-Volume Preserving 转换的生成概率模型,用于对人脸进行年龄推进和交叉年龄人脸验证,并在各种面部年龄数据库中始终展示最先进的结果。
Mar, 2017
使用深度强化学习方法,该论文提出了一种新颖的自动合成视频序列中年龄递进的面部图像的方法,它能够将给定对象的面部结构和纵向面部衰老过程相互连贯地建模,并使用深度卷积神经网络中的深层特征提取进行优化,是其它先前面部衰老方法无法比拟的解决方案。
Nov, 2018
本文提出了一种基于生成敌对网络模型的面部年龄进化方法,可以达到较好的年龄精度和身份永久性保持,并通过对多种方面的约束来保证生成的面部具有个性特征和真实的细节,并应用于面部识别系统,达到了领先水平.
Jan, 2019
该论文介绍了一种基于多域图像生成对抗网络的单张图片年龄进退展方法,其学习的潜在空间模拟了一个连续的双向老化过程。该框架可从一张照片中预测 0-70 岁的完整头像,改变头部的纹理和形状,这取得了显著的改进。
Mar, 2020
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
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
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
本文提出了一种基于生成对抗网络的面部年龄进展方法,通过对内在个体特征和随时间推移发生的年龄特异性面部变化的约束的分别建模,生成的面部在呈现期望的老化效果的同时保持个性化属性的稳定性。
Nov, 2017
AgeFlow 是一种新的框架,将流行模型和 GANs 相结合,使用编码器、解码器和可逆条件转换模块来实现双向年龄映射,通过属性感知知识蒸馏来学习变化方向,避免了面部属性的意外变化,在两个基准数据集上的实验结果表明,AgeFlow 比现有 GANs 方法表现更好。
May, 2021
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