年龄老化金字塔结构：Learning Face Age Progression:A Pyramid Architecture of GANS

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。

我们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

 

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

 

Discriminator判别器的输出是是一个scalarD(x)表示x是来自真实数据分布x的可能性。

 

年龄估计用的是VGG16层结构，在收敛之后移除全连接层。人脸金字塔结构在各个尺度上面进行评估，来优化年龄生成效果。

D结果的输出是一个cancate的12*3的表示。所有的卷积层，除了最后一层，后面都跟随者批量归一化和LReLU激活。

 

Identity loss:输入图片和生成图片在特征空间上的欧式距离

 

pix-wise loss：输出图片和生成图片在像素维度上的欧式距离。

 

 

实验结果：

数据收集：

实验用MORPH和CACD数据集做训练和验证，用FG-NET做测试。

数据处理，CACD用基于眼部位置的人脸对齐方式，MORPH采用 Face++ API ,所有的图片裁剪到224*224个像素。考虑到超过60岁年老数据集和儿童数据集的限制，只考虑成年人数据。以10岁为间隔进行聚簇。对三十岁以下的成年人进行老化处理，生成他们30s,40s,50s的图片。

实现细节：

每次迭代的时候更新判别器

每次生成的时候使用年龄相关判定

每5次生成迭代进行像素维度判定

对比实验：

实验一：年龄老化

实验采用5-折交叉验证，4个年龄簇为【14-30】，【31，,40】，【41,50】，【51,60】。每次运行，4个簇用于训练，剩下一个进行验证。如下图为实验结果。

 

 

实验二：老化模型评估

II-A：视觉保真度

a)展示戴眼镜，遮挡和不同姿态的老化结果。

b)老化过程中头发的老化的例子的证明。之前的研究都是针对裁剪好的人脸，它们认为头发不属于人脸的一部分。如预期，老化过程中，人的头发会变细变稀。

c)在老化过程中保存人脸细节的能力。

d)展示出平滑和一致的改变。比如嘴唇变薄，眼袋更深更明显，皱纹加深。

II-B:年龄准确度

伴随着老化，评估的年龄应该是增加的。对应的需要进行年龄估计来测量老化的准确度。对每张生成的人脸使用Face++人脸分析工具。其中没有检测到人脸的图片排除在外。表1是进行MORPH在进行5-折交叉验证之后的结果。平均值是42.84,50.78,59.9，对应的年龄簇为【31-40】，【41,50】，【51,60】。明显可以看出的是生成的人脸的年历比预期年龄大，证明生活方式因素会加速人脸老化，导致在评估年龄的时候出现偏差。在MORPH上，从下图的a,c也可以看出，合成人脸和真实人脸匹配很好。同样在CACD上也有比较好的匹配。

 

 

 

II-C:身份保持

使用Face++来检查原始的身份是否保持得很好。在每次测试的时候，我们输入图片和对应的年龄老化结果进行保存，[test face,aged face 1],[test face,aged face2]],[test face,aged face3]。并且对比生成图片进行统计性分析。[aged face 1,aged face2],[aged face 1,aged face3],[aged face 2,aged face3].每张测试人脸有6对人脸对作为验证人脸对。

 

II-D:金字塔结构的贡献

对比单通道判定器，生成的图片直接送入评估器而不是进行特征金字塔。没有金字塔结构的单通道判别器合成的皱纹没那么清晰并且脸部看起来也比较混乱。减少了在视觉上和身份评估上的准确度。

判别模型的金字塔结构能够提高年龄生成的效果。

II-E:与之前的网络进行对比

对比之前的网络生成老化图片的性能，也对比了Agingboth,face++.之前的网络结构只针对的是裁剪好的人脸，生成的人脸图片不够逼真。而且网络只使用了基于两个点的对齐。

 

结论：对比之前的年龄老化的方法。这项研究展示了一种不同的但是更加有效地解决方式。年龄变化准确度，身份保持和GAN方法。涉及人脸验证和年龄估计。人脸金字塔判别器能够保住生成器生成更加逼真的图片。