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

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

视频脸部年龄回溯通过改变人物在视频中的视觉年龄来完成，本文提出了一个新的用于验证视频脸部年龄回溯效果的基线架构，并开发了三个专门用于评估视频脸部年龄回溯技术的时序一致性的新度量指标。综合实验证明，我们的方法在年龄转换和时序一致性方面均优于现有方法。

Nov, 2023

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

该论文提出了一种基于深度学习的方法，通过合成图像并考虑年龄和阿尔茨海默病的状态，来模拟特定对象的大脑衰老轨迹，并展示了该方法在神经退行性疾病研究中的应用潜力。

Dec, 2019

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

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