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
该研究提出了一种基于条件生成对抗网络 (cGAN) 的渐进式面部老化框架,该框架由多个子网络组成,逐步模拟从年轻到老的面部老化过程,并引入了年龄估计损失和皮尔逊相关系数等评估指标以提高老化准确性和平滑度。在两个基准数据集上的实验结果表明,该研究的方法在面部老化方面表现优异。
Dec, 2020
该研究介绍了使用关注机制来进行人脸老化的 Attention 条件生成对抗网络(AcGANs)方法,不使用像素级损失,可以显著减少鬼影和模糊,达到更好的图像质量、个人身份和年龄准确性的超越性能。
Oct, 2019
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
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
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
使用基于小波的生成对抗网络与面部属性向量来提高合成面部图像的质量,能够更准确地呈现面部随着时间推移带来的变化,并在现有数据集上取得了最先进的表现。
Sep, 2018
提出了一种基于生成对抗网络的端到端人脸转移方法,使用 CycleGAN 生成目标角色的面部图像并探究了 PatchGAN 以及不同感受野大小对生成图像的影响。
Oct, 2017
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。