TimeMachine：基于扩散模型的面部年龄细粒度编辑与身份保持
计算机视觉与模式识别
2025-08-19 v2
摘要
随着生成模型的发展，面部图像编辑取得了显著进展。然而，在保持个人身份特征的同时实现细粒度年龄编辑仍是一个具有挑战性的任务。本文提出了 TimeMachine，一种新型基于扩散的框架，实现精准的年龄编辑且保持身份特征不变。为实现细粒度年龄编辑，本文在多交叉注意力模块中注入高精度年龄信息，显式分离年龄相关与身份相关特征。该设计促进了年龄属性的更准确解耦，从而允许对面部 aging 进行精确且可控的操控。此外，本文提出了年龄分类器引导 (ACG) 模块，直接在潜空间预测年龄，而非在训练期间进行去噪图像重构。通过采用轻量级模块纳入年龄约束，该设计以适度增加的训练成本提高了年龄编辑精度。此外，为解决缺乏大规模高质量面部年龄数据集的瓶颈，我们构建了一个 HFFA 数据集 (High-quality Fine-grained Facial-Age dataset)，包含一百万张高分辨率图像，标注了身份和面部属性。实验结果表明，TimeMachine 在保持身份一致性的同时实现了细粒度年龄编辑的领先性能。
引用
@article{arxiv.2508.11284,
title = {TimeMachine: Fine-Grained Facial Age Editing with Identity Preservation},
author = {Yilin Mi and Qixin Yan and Zheng-Peng Duan and Chunle Guo and Hubery Yin and Hao Liu and Chen Li and Chongyi Li},
journal= {arXiv preprint arXiv:2508.11284},
year = {2025}
}