本文提出、训练和验证了使用潜在的文本到图像扩散模型来综合老化和年轻化的人脸图像，评估了该方法在 CelebA 和 AgeDB 数据集上的表现，发现与现有的最先进基线相比，误识率显著降低了约 44%。

Jul, 2023

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

本文提出了一种统一的、多任务的人脸识别框架 MTLFace，能够在处理年龄变化对人脸识别的干扰时实现年龄不变的身份相关特征提取，同时避免了传统面部年龄合成处理中的伪影和瑕疵，取得了较好的实验结果和性能表现。

Mar, 2021

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

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深度学习架构，称之为 Age-Invariant Model（AIM），在交叉年龄的情况下对人脸进行合成和识别，以实现更加可靠的人脸识别，并提出了一个新的大规模数据集，以促进年龄不变人脸识别研究的前沿。

Sep, 2018

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