Apr, 2019

去相关性敌对学习用于年龄不变人脸识别

PDF
TL;DR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。
age-invariantface recognitiondecorrelated adversarial learningfactorizationidentity-dependent
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

    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。

    Sep, 2018

  • 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

  • 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

  • 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

  • 通过对抗训练实现解耦的三维面部形状模型

    本研究提出了一种基于生成对抗网络的新方法，利用生成器和鉴别器实现面部建模。通过定量和定性结果表明，这种方法能更好地分离面部特征中的自然因素，尤其是身份和表情，并且比现有的最先进方法在解耦和多样性方面表现更优秀。

    Feb, 2019

  • 探索除人脸识别之外的去耦合特征表示

    提出了一种基于最小监督学习的弱化但互补人脸特征提取方法，通过身份验证构建身份提取和去除自编码器（D2AE）框架，该框架基于两个流中的提示设计的，具有拟人化和编辑人脸的优点。

    Apr, 2018

  • 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