Face Aging with Contextual Generative Adversarial Nets

这里写图片描述

网络结构如图2所示,首先按照68个人脸特征点对输入图像进行对齐,之后,采用Deeplab v2算法将输入图像分割为

人脸区域,和非人脸区域,并将非人脸区域标记为灰色.

生成网络-Transformer network

将处理后的图像,与年龄lable y y 输入到条件变换网络(G,Transformer),得到合成图像G(x,y)(fake image).

生成网络结构如下,

这里写图片描述

输入图像,输出图像大小都为 128×128×3 128 × 128 × 3 ,像素值范围为[-1,1].条件向量即为年龄向量,为一个7维的one hot向量,将该项了reshape为与输入图像相同的空间维度的7通道的变量,并将其值也变换到[-1,1]范围-1对应于0.将输入图像与年龄向量串联,输入生成网络,得到目标年龄的生成图像.前三个residual blocks将feature maps大小降低到输入的一半,之后的为反卷积层,将feature maps大小上采样到与输入同样大小.

判别网络

存在两个判别网络,分别为年龄判别网络,即Age Discriminative Network,另一个为Transition Pattern Discriminative Network,分别用于判别生成图像是否为目标年龄,以及生成图像是否符合真实目标图像分别.

Age Discriminative Network

Age Discriminative Network输入为fake image与年龄lable y的特征向量串联(判别为real),以及real image与年龄label y的特征向量串联(判别为fake).也就是是说,Age Discriminative Network用于判别生成图像是否为输入图像的指定年龄的生成图像.

年龄判别网络结构为,

这里写图片描述

与生成网络一样,将年龄label resized为一个变量,输入到一个卷积层,得到年龄特征向量,将输入图像输入卷积层,得到feature maps,并将两者串联,输入到之后的5个卷积层,判别网络损失函数为,

这里写图片描述

Transition Pattern Discriminative Network

为了得到更好的年龄生成图像,加入了一个年龄转换判别网络,用于判别不同年龄段的图像的transition pattern(转移模式),即判别不同年龄段的人脸是否变换正确.为了简化,在本文中,只考虑相邻的年龄组的transition pattern.

这里写图片描述

如图5所示,随着头骨的成长,年龄从10到20岁的脸的形状会发生变化,然而,对于50到60岁的脸,主要的变化是在脸上的皱纹增多了.也就是不同年龄段的脸有不同的特征,但是他们都是同一个人.

Transition Pattern Discriminative Network输入为年龄y,对应的人脸图像 xy x y ,以及临近年龄y+1,对应的图像 xy+1 x y + 1 的串联值,损失函数如下,

这里写图片描述

整体的损失函数

这里写图片描述

为了是生成图像尽量平滑,引入了TV损失函数(total variation).

不同年龄段图片生成效果

这里写图片描述

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值