该论文提出了一种自动化、个性化生成老化人脸的方法。利用一组特定年龄组的字典来学习老化过程，其中相同索引的字典基础表现为不同年龄组的老化特征，可线性组合生成个人的老化特征。在字典学习过程中，考虑每个受试者额外的个人化面部特征和采集领域的限制。该解决方案在个性化老化进程和跨年龄人脸验证合成老化人脸方面表现出优越的性能。

Oct, 2015

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

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

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 CLIP-driven Pluralistic Aging Diffusion Autoencoder（PADA）方法，以增强面部衰老模式的多样性，其中使用扩散模型生成不同的低级衰老细节，并提出概率衰老嵌入（PAE）以捕获不同的高级衰老模式，在通用的 CLIP 潜在空间中使用文本引导 KL 散度损失进行学习，该方法可以根据任意未见面部图像和开放世界衰老文本实现多元化的面部衰老。

Mar, 2023

本文提出了一种基于深度模型的人脸年龄控制方法，该方法可以在不同年龄段自动合成一系列加速老化的脸部图像序列，并通过人脸数据库的验证来证明其有效性。

Jun, 2016

本文从生成式建模的角度出发，提出了一种基于条件对抗自编码器的人脸年龄变化模型，该模型可以无需配对数据样本，直接对未标注的图片进行年龄属性变化，从而实现同时平滑的人脸年龄变化和回归。实验结果表明，本文提出的方法在性能和灵活性方面表现出了优秀的表现。

Feb, 2017

提出 DLAT + 算法，能够实现多样化的人脸年龄转换，包括面部纹理和形状的转变，并通过多个一致性限制和新的评估标准 (IDAG) 保持合理的身份变化，实验结果证明了方法在整个生命周期中合成多样且感知合理的人脸的独特性和有效性。

Jan, 2024

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