本研究提出了一种基于生成对抗网络的模型，可以通过年龄估计技术来控制面部老化和变年轻的准确性，同时利用高级特征表示来保留个性化身份信息，实验结果显示该方法具有比现有方法更好的性能。

Apr, 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

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

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

提出了一种结合全局和局部信息的生成对抗网络 (GLCA-GAN) 方法，使用三个局部网络来处理关键局部面部区域的细微变化。在生成器中，使用全局网络生成整个人脸图像及模拟人脸的老化趋势，从而利用整个及各个局部面部信息来合成年龄，同时使用多种损失函数以保证生成的真实性和准确性。

Jan, 2018

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

本文提出一种新颖的 C-GAN 模型，用于生成更贴合真实数据的老化人脸图像，并且该模型能够考虑到相邻年龄组之间的渐变变化，从而提高了跨年龄人脸验证的性能。

Feb, 2018

本文提出了一种条件差异对抗自编码器（CDAAE）的方法，用于从单张面部图像中合成逼真的面部表情，该方法可以解决因没有标记的面部表情数据而造成的身份和表情变化的消歧问题，同时能够在生成表情的同时保留身份信息，并可用于情感识别和数据扩增等方面。

Aug, 2017