FACE AGING WITH CONDITIONAL GENERATIVE ADVERSARIAL NETWORK

相关介绍

Face aging又叫age synthesis和age progression。主要的应用领域包括跨年龄识别，寻找丢失儿童和娱乐。传统的人脸老化包括两种，基于原型设计方法和基于模型的方法。基于原型的方法在分好的年龄组里面求平均人脸，利用这些普遍变化进行人脸的老化处理。简单快速但是但是会产生不真实的图片。相反，基于模型的方法使用模型计算个体老化的机械化变化，如肌肉，皮肤和头盖骨方面的改变。但是需要收集同一个人在多个年龄段的人脸图片，收集数据非常耗时。

 

贡献：

本文主要的重点是身份保持得人脸老化

1. 设计实现了Age-cGAN,是第一个用GAN网络生成指定年龄段的高质量合成图片
2. 通过限制输出图片和原始图片在特征空间上的身份距离，”Identity-Preserving”优化latent vector。

 

给定一个y0岁的人脸x图片，寻找一个最佳的latent vector z*,使得x’=G(z*,ytarget)尽可能接近原来的图片。

生成器通过对输入z*进行简单的年龄变化生成目标年龄图片

年龄划分为6个类：0-18，19-29，30-39，40-49，50-59和60+。此处的CGAN条件是六维的one-hot map热编码。

使用编码器进行预训练，减少estimated latent和ground truth之间的距离。

E产生初始latent逼近器。

 

使用身份保持损失和像素维度的损失。

 

 

实验部分

数据集使用

IMDB-Wiki_cleaned,其中110K的图片用于模型训练，10K的图片用于评估人脸重构身份保持。

 

Latent vectors z编码人的身份，脸部姿态，发型等信息，但是y编码独特的年龄信息（年龄类别y)。同时此处需要做年龄估计的实现，证实只比真实的实验低17%。

 

在视觉上做对比，对比像素维度方法和身份保持方法之间的效果。像素级别损失也能够提高人脸识别的准确度,但是身份保持损失提高的空间更大。

其实从结果上看，第一次用GAN实现的老化效果不是很好。老化的纹理特征变化也很小