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

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

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

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

本文提出一种新颖的 C-GAN 模型，用于生成更贴合真实数据的老化人脸图像，并且该模型能够考虑到相邻年龄组之间的渐变变化，从而提高了跨年龄人脸验证的性能。

Feb, 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

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