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

本研究提出了一种基于 IACycleGAN 模型的人脸照片 - 草图合成算法，采用感知损失监督图像生成网络以改进 CycleGAN，在关键的面部区域（如眼睛和鼻子）的合成过程中更加注重识别，同时还使用合成样本和真实样本的三元组损失增强了识别模型，在 CUFS 和 CUFSF 数据库上的实验结果表明，所提出的方法在合成图像质量和草图 - 照片识别精度方面均优于多个现有的先进方法。

Mar, 2021

该研究介绍了使用关注机制来进行人脸老化的 Attention 条件生成对抗网络（AcGANs）方法，不使用像素级损失，可以显著减少鬼影和模糊，达到更好的图像质量、个人身份和年龄准确性的超越性能。

Oct, 2019

本文提出一种新颖的 C-GAN 模型，用于生成更贴合真实数据的老化人脸图像，并且该模型能够考虑到相邻年龄组之间的渐变变化，从而提高了跨年龄人脸验证的性能。

Feb, 2018

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

提出了一种基于循环的生成对抗网络模型 (C2GAN)，通过交互式方式联合分析输入图像和引导数据，实现了人脸、手、身体和自然场景的图像生成，通过循环子网实现输入域的重构，同时生成另一个循环所需要的有用输出，实现了跨模态信息的相互补充，并具有更为鲁棒优化的功能。

Jun, 2021

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

本文提出了一种新的生成模型 - 双射生成对抗网络，并引入成分提取和度量学习来增强图像的重建过程，最终生成出具有真实性和身份保留特性的面部图像。该模型在多个基准数据集上进行实验，证明了其有效性。

Mar, 2020

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

本文提出了一种基于 TP-GAN 网络的真实主观正面合成方法，通过引入对局部纹理的注意力网络，并结合对称损失、身份保留损失等方式来解决这个本质上存在不确定性的挑战性问题。实验结果表明，该方法不仅在感知结果上表现出色，而且在大角度人脸识别方面也优于现有的最新方法。

Apr, 2017