AgeFlow：基于归一化流的条件年龄进展与回归
计算机视觉与模式识别
2021-05-18 v1 人工智能
摘要
年龄进展与回归旨在分别合成具有衰老与年轻化效果的给定人脸图像的照片级真实感外观。现有基于生成对抗网络（GANs）的方法存在以下三个主要问题：1）训练不稳定，在生成的人脸中引入强重影伪影；2）非配对训练导致性别、种族等面部属性发生意外改变；3）非双射的年龄映射增加了人脸变换的不确定性。为克服这些问题，本文提出一种称为 AgeFlow 的新框架，以融合基于流的模型与 GANs 的优势。所提 AgeFlow 包含三部分：通过可逆神经网络将给定人脸映射到潜空间的编码器、将源潜向量翻译为目标向量的新型可逆条件翻译模块（ICTM）、以及使用同一编码器网络从目标潜向量重建生成人脸的解码器；所有部分均可逆，实现双射年龄映射。ICTM 的新颖性体现在两方面。首先，我们提出属性感知知识蒸馏来学习年龄进展的操作方向，同时保持其他无关属性不变，从而减轻面部属性的意外改变。其次，我们提出在潜空间中使用 GANs，以确保所学潜向量与真实向量不可区分，这比传统在图像域中使用 GANs 容易得多。实验结果表明，在两个基准数据集上优于现有基于 GANs 的方法。源代码见 https://github.com/Hzzone/AgeFlow。
引用
@article{arxiv.2105.07239,
title = {AgeFlow: Conditional Age Progression and Regression with Normalizing Flows},
author = {Zhizhong Huang and Shouzhen Chen and Junping Zhang and Hongming Shan},
journal= {arXiv preprint arXiv:2105.07239},
year = {2021}
}
备注
IJCAI 2021