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

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

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

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

本研究旨在解决数据集偏置问题，提出了一种新颖的基于样式的生成架构来增加面部数据集的年龄多样性，显著提高了增强数据集的多样性和时代转化的性能。

Jun, 2020

在本文中，我们引入了一种新颖的一阶段面部恢复年轻化方法，并结合肖像风格转换，在单个生成步骤中执行。我们利用现有的面部恢复年轻化和风格转换网络，两者均在相同的 PR 领域内进行训练。我们的方法独特地融合了不同的潜在向量，每个向量负责管理与年龄相关的属性和 NPR 外观。采用示例为基础的方法，我们的方法比领域级精调方法提供了更大的灵活性，这些方法通常需要针对每个领域进行单独训练或精调。我们的实验表明，我们的模型可以轻松生成年轻化的图像，同时保持示例的风格，保持自然外观和可控性。

Feb, 2024

本文提出了一种名为 FADING 的基于扩散编辑的面部老化方法，通过利用大规模语言 - 图像扩散模型的丰富先验信息，通过特定的预训练扩散模型和年龄感知微调策略，将输入图像逆向编码到潜在噪声并获得优化的空文本嵌入，最后通过注意力控制进行基于文本的局部年龄编辑，定量和定性分析表明，该方法在老化准确性、属性保护和老化质量方面优于现有方法。

Sep, 2023

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

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