仅是风格问题：基于风格回归模型的年龄变换

年龄变换任务刻画了个体外貌随时间的改变。对输入人脸图像准确建模这一复杂变换极具挑战性，因为它需要在保留输入身份的同时，对面部特征和头形做出令人信服的、可能很大的改变。在本工作中，我们提出一种图像到图像翻译方法，其学习将真实人脸图像直接编码进预训练无条件 GAN（如 StyleGAN）的潜空间，并受给定老化偏移的约束。我们采用预训练的年龄回归网络显式引导编码器生成对应于期望年龄的潜码。在此公式中，我们的方法将连续老化过程视为输入年龄与期望目标年龄之间的回归任务，从而对生成图像提供细粒度控制。此外，不同于仅在潜空间中利用控制年龄路径先验的方法，我们的方法学习了一条更解耦、非线性的路径。最后，我们展示了端到端方法的性质结合 StyleGAN 丰富的语义潜空间，允许对生成图像进一步编辑。定性与定量评估显示了我们的方法相较最先进方法的优势。