全网络在图像空间使用平方欧式距离,GAN loss使生成的图片在年龄方面更老一点。身份保持损失保持输入输出图片在高维特征空间中的距离最小,这可以保证图片老化的过程中进行身份的保持。通过评估每个个体目标年龄的数据聚簇的密度,此文研究的方法不需要匹配同一个人的匹配对(当时其余的方法需要)。前额和头发在年龄的感知方面很重要,因此网络并没有采用裁剪人脸,而是对整张人脸进行操作。
创新点:
提出一个新颖的基于年龄进程的GAN网络,这个网络结合人脸验证和年龄估计技术,因此能够解决生成的老化效果并且以耦合的方式保存身份特征。
强调前额和头发在合成老化图片方面的重要性,而忽视其余因素的研究,这确实增强了生成年龄的准确度。
设置一个新的验证实验并且进行相关的拓展实验,包括使用基于验证和感知在表情,姿态和妆容评估的商业人脸分析工具------ Face++人脸检测工具
G:学习人脸的变化GAN loss鼓励生成的人脸训练集中年老的人脸在年龄方面不可区分。
收敛之后,合成图片Pg逼近真实的数据分布Pdata.
用年轻的人脸作为输入,学习对应映射到年老人脸的对应关系