生命周期年龄变换合成
计算机视觉与模式识别
2020-07-27 v2
摘要
我们解决单照片年龄推进与回归问题——预测一个人未来可能的样貌，或他们过去的样貌。大多数现有老化方法仅限于改变纹理，忽视了人类衰老和生长过程中发生的头部形状变换。这限制了先前方法对成年人到稍年长成年人的老化适用性，且那些方法应用于儿童照片时无法产生高质量结果。我们提出了一种新颖的多域图像到图像生成对抗网络架构，其学习的潜空间对连续的双向老化过程建模。该网络在 FFHQ 数据集上训练，我们为其标注了年龄、性别和语义分割。固定年龄类别被用作锚点以近似连续年龄变换。我们的框架可从单张照片预测 0-70 岁的完整头部肖像，同时修改头部的纹理和形状。我们在多种照片和数据集上展示了结果，并显示出相对于当前最优技术的显著改进。
引用
@article{arxiv.2003.09764,
title = {Lifespan Age Transformation Synthesis},
author = {Roy Or-El and Soumyadip Sengupta and Ohad Fried and Eli Shechtman and Ira Kemelmacher-Shlizerman},
journal= {arXiv preprint arXiv:2003.09764},
year = {2020}
}
备注
ECCV 2020 Camera-Ready version. Main Changes: 1. Added Ethics & Bias statement in the supplementary material 2. Comparison figures to PyGAN [46] and S2GAN [13] were removed due to copyright issues. These figures can be found in the project's webpage (link is provided in the paper). 3. Added links to the code and dataset (Github)