Mar, 2019

具有空间注意模块的年龄变化推断与回归

PDF
TL;DR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。
age progressionage regressiongenerative adversarial networksphoto-realismspatial attention mechanisms
发现论文，激发创造
  • AgeFlow: 带归一化流的条件年龄进展和回归

    AgeFlow 是一种新的框架，将流行模型和 GANs 相结合，使用编码器、解码器和可逆条件转换模块来实现双向年龄映射，通过属性感知知识蒸馏来学习变化方向，避免了面部属性的意外变化，在两个基准数据集上的实验结果表明，AgeFlow 比现有 GANs 方法表现更好。

    May, 2021

  • 有条件对抗自动编码器实现年龄变化

    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

  • 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

  • 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

  • 全局和局部一致的年龄生成对抗网络

    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

  • 仅仅是风格问题：使用基于风格的回归模型进行年龄转换

    本文提出了一种基于图像到图像转换技术的年龄转换方法，结合使用 StyleGAN 生成的潜码，利用预训练的年龄回归网络指导生成对应于期望年龄的潜码的生成器进行年龄变化的图像合成，并能够对生成图像进行进一步编辑。实验结果显示该方法相较于现有的最先进方法具有更好的效果。

    Feb, 2021

  • 学习人脸年龄进展：一种 GAN 金字塔架构

    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

  • 全局观，本地化：带有注意机制的人脸老化

    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

  • 基于条件多对抗自编码器和序数回归的面部老化和恢复

    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

  • 基于条件生成对抗网络的人脸老化

    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