提出了一种新的方法，可以通过对不同人的面部图像进行对比学习，准确地估计年龄，并通过结合余弦相似度和三元组边距损失来突出与年龄相关的特征并抑制与身份相关的特征。通过在 FG-NET 和 MORPH-II 两个公共数据集上取得最先进的性能，验证了我们提出的方法的有效性。

Aug, 2023

提出了一种端到端的面部图像检索框架，利用相关反馈逐步提供给目击者，对心理图像进行交互式和迭代式检索，无需额外注释，并进行 exttt {CelebA} 数据集上的实验证明，该模型在最佳设置下的排名百分位数可以达到 99％，可以成为进一步研究的基础。

Jul, 2020

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

该研究提出了一个年龄进展模块，对于失踪儿童这个识别时效性强的问题，可以通过对人脸数据的年龄处理，提升人脸识别系统的识别准确率，从而帮助识别被拐卖的儿童。

Nov, 2019

介绍了一种新方法来标注大量的野外人脸图像，将高质量的后验年龄分布作为标签；通过人在循环比较，可以将可靠的注释从一个已知年龄样本的参考数据库转移到另一个标签数据集，并通过全连接和 SoftMax 层有效地将比较转换为后验概率分布，从而训练一种同时执行序数超平面分类和后验分布学习的网络，并达到了基准测试的最新成果。

Aug, 2017

本文提出了一种新的算法 ——Decorrelated Adversarial Learning (DAL)，该算法能够将包含身份信息和年龄信息的脸部特征分解成身份相关组分和年龄相关组分，并利用 ID 和 age 保留信号监督身份相关特征和年龄相关特征以确保两者都包含正确信息，实验结果表明该方法对于面部年龄差异引起的困难问题具有很好的鲁棒性。

Apr, 2019

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

通过引入新的对比学习方法和损失函数，我们的半监督学习方法名为 Cross-Age Contrastive Learning (CACon) 在多个年龄不变人脸识别基准测试中表现出了最先进的性能，并且在跨数据集实验中领先其他方法很大一部分。

Dec, 2023

视频脸部年龄回溯通过改变人物在视频中的视觉年龄来完成，本文提出了一个新的用于验证视频脸部年龄回溯效果的基线架构，并开发了三个专门用于评估视频脸部年龄回溯技术的时序一致性的新度量指标。综合实验证明，我们的方法在年龄转换和时序一致性方面均优于现有方法。

Nov, 2023