(CAAE)Age Progression/Regression via Conditional Adversarial Autoencoders.

https://arxiv.org/abs/1702.08423
https://github.com/ZZUTK/Face-Aging-CAAE

摘要

假设你提供了一张未标明年龄的面部图像，并且还提供了大量包含不同年龄段人脸（但未必成对）的图片，那么是否能够预测出你80岁或5岁时的面部样貌？答案或许是否定的。当前多数关于人脸衰老的研究倾向于学习不同年龄组之间的转换关系，因此通常需要配对样本和标记查询图像。本文则从生成建模的角度出发，提出了一种无需配对样本的方法。同时，对于未标记图像，生成模型可以直接生成具有特定年龄特征的图像。我们设计了一种条件对抗式自动编码器（CAAE），用于学习人脸流形结构，并能够同时实现年龄递增与递减的过程。在CAAE框架中，人脸图像首先通过卷积编码器被映射到潜在空间中的向量表示，随后该向量根据给定的年龄信息由反卷积生成器投影至人脸流形上。潜在向量保留了个体独特的面部特征，而年龄条件则用于控制衰老过程与逆过程。为了提升生成效果，两个相互对抗的网络分别作用于编码器与生成器部分，促使模型输出更加真实的人脸图像。实验结果验证了该算法在性能和灵活性方面的优越性。

1 引言

人脸的progression（即对未来样貌的预测）与regression（即对过往样貌的估计），亦称面部衰老与年轻化，其核心目标是在生成面部图像时，无论是否保留“衰老”