ECCVMar, 2020

寿命年龄转换合成

PDF
TL;DR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。
single photo age progressionmulti-domain image-to-image generative adversarial networkcontinuous bi-directional aging processffhq datasetfull head portrait for ages 0-70
发现论文，激发创造
  • 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

  • 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

  • 具有空间注意模块的年龄变化推断与回归

    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。

    Mar, 2019

  • 解耦寿命人脸合成

    本文提出了一种新的寿命人脸合成模型，可以有效地建模纹理和形状的非线性年龄变换及保持身份特征，通过分离形状、纹理和身份因素以及设计两种变换模块来提高生成对于年龄和身份的敏感性和保持身份特征，实验证明其优于现有技术。

    Aug, 2021

  • 学习合成无纵向数据的老化大脑

    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

  • 通过自我估计的残差年龄嵌入进行连续人脸年龄化

    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

  • 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

  • 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

  • 具有身份变异合理性度量的多样化和寿命时期的面部年龄转换合成

    提出 DLAT + 算法，能够实现多样化的人脸年龄转换，包括面部纹理和形状的转变，并通过多个一致性限制和新的评估标准 (IDAG) 保持合理的身份变化，实验结果证明了方法在整个生命周期中合成多样且感知合理的人脸的独特性和有效性。

    Jan, 2024