本文提出了一种基于深度模型的人脸年龄控制方法，该方法可以在不同年龄段自动合成一系列加速老化的脸部图像序列，并通过人脸数据库的验证来证明其有效性。

Jun, 2016

本文提出了一种基于Temporal Non-Volume Preserving转换的生成概率模型，用于对人脸进行年龄推进和交叉年龄人脸验证，并在各种面部年龄数据库中始终展示最先进的结果。

Mar, 2017

介绍了一种新方法来标注大量的野外人脸图像，将高质量的后验年龄分布作为标签；通过人在循环比较，可以将可靠的注释从一个已知年龄样本的参考数据库转移到另一个标签数据集，并通过全连接和SoftMax层有效地将比较转换为后验概率分布，从而训练一种同时执行序数超平面分类和后验分布学习的网络，并达到了基准测试的最新成果。

Aug, 2017

利用深度学习中基于序列回归的神经网络模型进行年龄预测的研究中，提出了一种新的一致性排序逻辑（CORAL）框架，用于提高预测准确率。

Jan, 2019

本文提出了一个综合性框架，旨在克服面部年龄估计所涉及的挑战。通过提出一种新的年龄编码方法 Soft-ranking，分析现有的评估协议，并提出一种新的正则化策略以解决深度模型过拟合问题来提高模型在 Morph II，CLAP2015 和 CLAP2016 数据库上的性能。

Jun, 2019

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

通过KappaFace算法和von Mises-Fisher分布相结合，提出了一种考虑类不平衡问题的大规模人脸识别方法，该算法有效提高了深度人脸识别的性能。

Jan, 2022

本文提出了一种简单而有效的损失函数，即自适应均值残差损失用于鲁棒人脸年龄估计，并通过FG-NET和CLAP2016数据集证实了其有效性。

Mar, 2022

通过三个原则，我们提出了一种全面自适应的标签分布学习方法，称为单峰浓缩损失方法，它使用学习排序策略获得单峰分布，并将估计误差和预测分布的方差集成到损失中，具有在年龄和头部姿态估计等回归任务上表现优越的结果。

Apr, 2022

本文提出了一种CLIP-driven Pluralistic Aging Diffusion Autoencoder（PADA）方法，以增强面部衰老模式的多样性，其中使用扩散模型生成不同的低级衰老细节，并提出概率衰老嵌入（PAE）以捕获不同的高级衰老模式，在通用的CLIP潜在空间中使用文本引导KL散度损失进行学习，该方法可以根据任意未见面部图像和开放世界衰老文本实现多元化的面部衰老。

Mar, 2023