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

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

本文提出了一个综合性框架，旨在克服面部年龄估计所涉及的挑战。通过提出一种新的年龄编码方法 Soft-ranking，分析现有的评估协议，并提出一种新的正则化策略以解决深度模型过拟合问题来提高模型在 Morph II，CLAP2015 和 CLAP2016 数据库上的性能。

Jun, 2019

该研究提出了两种基于深度可微随机森林方法的年龄估计模型：Deep Label Distribution Learning Forest 和 Deep Regression Forest，通过对分割节点和叶节点进行交替优化学习更好的树形参数估计，取得了三个年龄估计数据集上最优的性能表现。

Jul, 2019

本文提出了一种基于注意力网络和残差卷积网络集成的深度学习框架，可以高精度地预测面部图像的性别和年龄组，并通过可视化模型的注意图证明其能够敏锐地监测到面部适当部位，同时，在多任务学习方面得到了不错的成果。

Oct, 2020

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

对于年龄估计任务，设计专门的方法是不必要的，使用交叉熵损失的标准方法已足够。本文旨在通过在统一可比较的环境中评估最先进的年龄估计方法来解决基准测试的缺点。结果表明，与年龄估计方法的选择相比，面部对齐、面部覆盖、图像分辨率、图像表示、模型架构和数据量等各种因素经常产生更大的影响。评估了每种方法在公开可用的年龄估计数据集上的跨数据集性能，结果强调了使用一致的数据预处理方法和建立标准化基准测试的重要性，以确保可靠且有意义的比较。

Jul, 2023