论文部分内容阅读
得益于深度学习的发展,许多计算机视觉任务获得了巨大的进步,比如说跨年龄的人脸验证,人脸编辑,人脸娱乐等;这些场景的应用都离不开一个关键技术人脸老化,并且许多图像处理任务大多涉及人脸图像年龄信息的修改。鉴于这项技术的商业价值以及科研价值,人脸老化吸引了越来越多的研究者的关注。因此,展开对人脸老化技术的研究并探究其中的科学以及实用价值十分有意义。人脸老化技术目前存在两大主要方面的研究难点,一方面人脸老化模式复杂模型难以训练,无法对人脸老化进程做一个很好的模拟;另一方面现存的人脸数据集包含的年龄信息不完善,并且属于同一个体跨大范围年龄的人脸图像匮乏。以下是本文的主要研究内容。(1)针对人脸老化模型难以模拟以及难以训练的问题,技术方向研究倾向于生成模型,通过生成模型实现对输入图像的年龄信息的转换。同时考虑到符合条件的数据集不完备的问题,采用风格迁移的思想实现人脸老化是当前的研究重点。本文在循环一致性生成对抗网络(Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks,CycleGAN)基础上,提出了一种基于性别约束的人脸老化算法 GFAGAN(Gender Classified Face Aging with CycleGAN),该算法通过性别约束的方式对图像翻译模型进行约束性训练,最终获得的人脸老化模型在面对单性别人脸老化任务上具有卓越的表现,并且在非区分性别的人脸老化任务中也取得了优异于传统模型的表现。(2)考虑到针对不同任务有不同评价标准基础上,本文在研究性别约束模型对人脸老化进程的影响上,提出了一种基于受试者参与的评价机制,相对于传统的主观评价方法,本文的评价方法更加客观公平。实验结果表明,本文所提出的方法在人脸老化任务上有突出的表现,该模型能够合成更加逼真且细节丰富的老化人脸,这充分说明了本文所提出算法的优越性,并且也验证了性别约束模型在人脸老化任务中的优异表现。