Sep, 2018

跨时距观察：解缠表示学习与逼真交叉年龄人脸合成，应用于年龄不变人脸识别

PDF
TL;DR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。
face recognitioncross-agedeep learningphotorealisticbenchmark dataset
发现论文，激发创造
  • 当年龄不变人脸识别遇到人脸年龄合成：多任务学习框架

    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

  • 跨年龄对比学习用于年龄不变人脸识别

    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

  • 面向年龄不变人脸识别的正交深层特征分解

    本文提出了一种新颖的方法（正交嵌入卷积神经网络，OE-CNNs）来学习年龄不变深度人脸特征，并构建了一个全新的大规模跨龄人脸数据集（CAF）用于增强该领域的研究和实验验证。实验结果表明，该方法在年龄不变人脸识别和一般人脸识别上表现具有可比性。

    Oct, 2018

  • 人脸年龄合成：评估、分析与促进年龄鲁棒的人脸识别算法

    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

  • 通过对比学习进行面部图像的年龄预测

    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

  • 去相关性敌对学习用于年龄不变人脸识别

    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

  • 学习连续人脸年龄变化：GAN 金字塔

    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

  • 双参考人脸检索

    该研究提出了一种双重参考人脸检索框架，通过利用四元数模型优化年龄相似度和身份相似度两个相似度度量，实现在给定特定年龄时检索特定人脸的目标。

    Jun, 2017

  • 寿命年龄转换合成

    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

  • 通过自我估计的残差年龄嵌入进行连续人脸年龄化

    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