论文笔记（七）Learning from Longitudinal Face Demonstration - Where Tractable Deep Modeling Meets Inverse

这篇文章是关于逆强化学习的应用，主要是实现了人脸的老化，是最近发表在arxiv上的文章。

论文地址

本文主要是对这篇文章阅读过程的笔记。

一、论文笔记

0 摘要：

（1）本文提出的方法为Subject-dependent Deep Aging Path(SDAP)，依赖目标的深度老化方法，结合了产生式模型和逆强化学习模型的优点。该模型能生成面部的结构并给出该目标纵向的老化过程。  longitudinal：纵向的。

（2）SDAP通过采用深度特征提取网络来实现对数似然函数的可处理性。

（3）相比固定的人脸老化过程，SDAP采用最优的老化奖励函数实现对不同的人脸进行最佳的老化过程。

（4）SDAP可以接受多张图片作为输入，获取目标相同或者不同的年龄信息，从而给出最佳的老化过程。

（5）该模型在人脸老化合成和交叉年龄人脸验证。

face verification 人脸验证  1：1匹配问题，给定人脸图片和身份，在人脸数据库进行人脸比对，验证该人脸是不是该身份。

face recognition 人脸识别  1：n匹配问题，给定人脸图片，从人脸数据库中找到与其相似度最高的人脸，确定其身份。

1 引言：

（1）人脸老化合成可以应用在年龄无关的人脸验证、寻找失踪儿童、美容美妆行业。

（2）传统的深度学习方法大多集中在两个方向：直接老化合成和循序渐进的老化合成。

对于第一种方向，通过训练集与对应的年龄标签之间的关系进行合成。例如传统方法（prototyping approaches）利用年龄标签将人脸进行分组，计算不同年龄组人脸的平均值，然后将源年龄和目标年龄组之间的差异应用到输入的人脸，从而得到目标年龄的人脸。此外，GAN的方法是通过获取输入人脸高维的表示与年龄标签之间关系，根据年龄标签通过生成器合成老化人脸。

直接合成方法的缺点在于只能合成训练集中年龄范围的人脸，无法生成更老的照片。而且合成效果不是很好。

对于第二种方向，是将长期的老化过程进行分解，重点关注两个连续年龄阶段之间人脸老化的转化。通过学得的转化方式，将输入人脸从一个年龄阶段处理到下一个阶段直到目标年龄阶段。这种方式可以有效地学习暂时的信息（temporal information）并且提供更多的年龄变化细节，即使目标年龄距离输入年龄很远。 这种方法最大的局限性在于缺少纵向的人脸老化数据库，训练的过程通常只有每个人的三四张人脸图片。

对于以前方法与作者提出方法比较如下图所示：

文中作者对比较的结果进行总结：

1.非线性。人脸老化是复杂且是高度非线性的过程，采用线性的方法如基于原型法、AAMs、3DMM是有局限性的。

2.深度学习框架的损失函数。采用固定的损失函数会产生模糊的结果。

3. 可处理性。 采用概率图模型（Probabilistic Graphical Models,PGM）可以更好地完成人脸老化任务。

PGM基本可以分为两个类别：贝叶斯网络（有向图）和马尔科夫随机场（无向图），通过概率图来描述变量之间的关系，以此建模来推导求解问题。

4.数据利用情况。往往只会用同一年龄的一张图片，造成其他图片的浪费。

5.固定的老化发展路径。 学得的老化发展路径应用所有人在实际情况是不合理的，应该每个个体都有自己的年龄老化发展路径。

(3)本文的贡献：

1.对老化转换嵌入过程进行修改。（aging transformation embedding，应该是人脸老化合成中的方法，是专有的叫法。）具体而言，可计算的对数似然估计、采用CNN卷积网络、age controller年龄控制器来反应年龄改变了多少次。

因此，SDAP提供了平滑的合成过程，并且能够最大化人脸年龄数据的使用率，同一个体不同年龄或者相同年龄的所有照片都可以进行利用。

2.为每一个个体寻找最佳年龄发展路径。这个目标可以通过逆强化学习（IRL）实现。

3.在训练中通过数据驱动的策略（data driven strategy）自动得出最优的目标函数和参数。

2 相关工作：

1.人脸年龄问题包括年龄估计（age estimation）和年龄进程（age progression）问题。

2.年龄进程（Age Progression）解决方法可以分为四类：模型法（modeling）、重建法（reconstruction）、原型法（prototyping）、基于深度学习的方法（deep learning-based methods）。文章对四种方法进行简要介绍，有需要可以自行看原论文。

个人理解这种问题是为展示人脸老化的过程，针对不同年龄组之间的差异进行