亲缘关系约束下的青少年人脸年龄合成研究

年龄合成生成逼真的人脸图像可以有效地提高跨年龄人脸验证准确率,对寻找走失人口有着重要的意义,但是青少年颅骨复合体未发育完全,使得面向青少年的年龄合成十分困难。因此提出了一种面向青少年的端到端的年龄合成模型。通过StyleGAN保留人脸的语义信息,在人脸编码特征上添加年龄通道实现年龄的转化,引入亲缘特征匹配模块引导青少年的面部老化,将亲缘特征匹配率加入损失函数参与训练。该算法模型可以在保持个体身份信息的同时,实现平滑的年龄合成,生成逼真的人脸图像。该模型不仅提升了视觉效果,并且实验表明该模型跨年龄人脸验证准确率达到95.3%,身份召回率达到92.7%,年龄合成平均年龄误差减少4年,较现有算法有较好的提升。

基于类别注意实例归一化机制的人脸年龄合成

近年来,生成对抗网络(generative adversarial network,GAN)家族已在人脸年龄合成任务上取得了巨大的成功.然而,通过研究发现,在解决人脸年龄合成的问题时,即使是善于利用年龄先验信息的条件生成对抗网络(conditional generative adversarial network,CGAN),重要的人脸年龄相关信息在一程度上也会被丢弃.这是导致以CGAN为代表的GAN家族在人脸年龄合成上的性能到达瓶颈期的一个重要因素.为此,提出了一种类别注意实例归一化机制(class-aware instance normalization,CAIN).该机制能够灵活地嵌入到CGAN中,形成一种新的生成对抗网络模型,即CAIN-GAN.CAIN-GAN能够充分利用人脸年龄先验信息来进一步提高人脸年龄合成性能.在公开数据集上的实验结果表明,与其他几种GAN家族的方法对比,CAIN-GAN方法仅通过利用人脸年龄相关信息就能对人脸年龄合成性能进行提升.

基于生成对抗网络的人脸年龄合成研究概述

随着计算机视觉的蓬勃发展,人脸年龄合成相关方面工作吸引了一大批研究人员的注意。人脸中蕴藏着丰富的视觉信息,具有很大的可开发价值,在刑事侦查、出入境检查等方面均可以应用。传统的人脸老化方法在身份保持、计算开销、数据集要求等方面存在不足,生成对抗网络的快速发展使得人脸图像生成方面取得了显著的成果。本文首先概述了人脸年龄合成领域的相关发展背景,然后介绍了几种经典的用GAN进行人脸年龄合成的方法,最后概括了主观评价和客观评价这两种常用的年龄合成评价方法。希望可以对在该领域入门的人员有所帮助。

人脸年龄合成技术在公安实战中的应用研究

人脸年龄合成技术是计算机视觉领域上一个新的研究热点,对人脸的衰老过程进行正向预测和逆向回溯,在公安领域有着重要的研究意义和应用价值。对基于物理模型、基于原型和基于深度学习的人脸年龄合成方法进行介绍,并总结归纳其优缺点。重点阐述在失踪和被拐卖儿童面貌比对、长期潜逃犯罪嫌疑人识别与追踪、公安科普宣传、公安安防等公安实战中的应用。未来研究探索可以从建立完备的人脸年龄合成数据集,探索实际应用的模型等方面入手。

人脸年龄合成的生成对抗网络方法综述

年龄信息作为人类生物特征识别的重要组成部分,在社会保障和数字娱乐等领域具有广泛的应用前景。人脸年龄合成技术由于其广泛的应用价值,受到了越来越多学者的重视,已经成为计算机视觉领域的重要研究方向之一。随着深度学习的快速发展,基于生成对抗网络的人脸年龄合成技术已成为研究热点。尽管基于生成对抗网络的人脸年龄合成方法取得了不错的成果,但生成的人脸年龄图像仍存在图像质量较差、真实感较低、年龄转换效果和多样性不足等问题。主要因为当前人脸年龄合成研究仍存在以下困难:1)现有人脸年龄合成数据集的限制;2)引入人脸年龄合成的先验知识不足;3)人脸年龄图像的细粒度性被忽视;4)高分辨率下的人脸年龄合成问题;5)目前人脸年龄合成方法的评价标准不规范。本文对目前人脸年龄合成技术进行全面综述,以人脸年龄合成方法为研究对象,阐述其研究现状。通过调研文献,对人脸年龄合成方法进行分类,重点介绍了基于生成对抗网络的人脸年龄合成方法。此外,本文还讨论了常用的人脸年龄合成数据集及评价指标,分析了各种人脸年龄合成方法的基本思想、特点及其局限性,对比了部分代表方法的性能,指出了该领域目前存在的挑战并提供了一些具有潜力的研究方向,为研究者们解决存在的问题提供便利。

人脸年龄估计和年龄面貌合成技术研究进展

近年来,由于在刑事侦查、失踪人口追踪、治安管理监测等领域巨大的应用价值,基于人脸图像的年龄估计和年龄面貌合成技术受到了广泛的关注。年龄估计是通过计算机技术给出脸部图像的确切年龄或年龄范围。年龄面貌合成则是根据脸部特征的年龄变化规律,基于现有的脸部图像推测过去或未来某个年龄的脸部形态。通过各种统计学及图像学分析方法,这两项技术在过去几十年间得到了迅速的发展。本文全面综述了目前在年龄估计及年龄面貌合成方面的技术进展,包括已有模型、主要和最新算法、系统模式等,分别比较不同模型及算法的优缺点,并对当前存在的技术难题及将来的发展方向进行了讨论。

基于条件对抗自动编码器的跨年龄人脸合成

跨年龄人脸合成是指通过已知特定年龄的人脸图像合成其他年龄段的人脸图像,在动漫娱乐、公共安全、刑事侦查等领域有广泛的应用。针对跨年龄人脸合成图像容易产生器官变形扭曲、人脸局部特征保持效果不佳等问题,提出一种基于条件对抗自动编码器的合成方法。通过在解码器结构中引入通道关注和空间关注模块,分别从通道域和空间域提取重要信息,使模型在训练过程中忽略背景等无关信息,聚焦人脸图像变化的区域,有效解决合成图像器官扭曲变形等问题。此外,设计一种多尺度特征损失网络,从多个尺度更深层次地约束人脸图像的局部结构特征,从而保持人脸合成过程中局部特征结构的稳定性。在UTKFace跨年龄人脸数据集上的实验结果表明,与CAAE方法相比,该方法有效避免了人脸器官变形扭曲问题,能够更好地保持人脸局部结构特征,具有较佳的人脸合成效果和细节保持能力。