合成纵向脑 MRI 模拟脑老化，以更有效地研究神经发育和神经退行性疾病，提供代价较低的纵向脑成像替代品，使得环境和治疗改变对脑发育的影响可以得到更好的内部控制，并为不同人群的数据增强提供可能。

Feb, 2024

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

使用深度强化学习方法，该论文提出了一种新颖的自动合成视频序列中年龄递进的面部图像的方法，它能够将给定对象的面部结构和纵向面部衰老过程相互连贯地建模，并使用深度卷积神经网络中的深层特征提取进行优化，是其它先前面部衰老方法无法比拟的解决方案。

Nov, 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

使用深度学习和卷积神经网络方法，预测健康人群的大脑年龄，并建立其作为大脑衰老过程个体差异性的生物标志物的资格，该预测模型的结果证明了其在灰质或白质参数地图上的预测准确度极高，具有高度的可靠性和遗传学效度，可用于评估大脑老化的生物标志物，并且可以在原始数据上准确生成预测，实现在临床现场获得大脑健康信息。

Dec, 2016

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

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

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

通过使用合成大脑年龄（SynthBA）模型，我们可以预测大脑的年龄并且在临床环境中更加广泛地应用，而不受获取方式变化的限制。

Jun, 2024