UVA：一种用于连续年龄分析的通用变分框架
计算机视觉与模式识别
2019-04-02 v1
摘要
传统的人脸年龄分析方法倾向于以监督方式利用精确的年龄标签。然而，现有年龄数据集的年龄范围有限，导致长尾分布。为缓解该问题，本文提出一种通用变分老化（Universal Variational Aging, UVA）框架，以解耦方式对人脸年龄先验进行建模。得益于变分证据下界，人脸图像被编码并在潜空间中解耦为与年龄无关的分布和与年龄相关的分布。引入条件内省对抗学习机制以提升图像质量。通过这种方式，在对与年龄相关的分布进行操作时许，UVA能够实现任意年龄的年龄转换。进一步，通过从与年龄无关的分布中采样噪声，我们可以生成具有特定年龄的照片级真实人脸图像。此外，给定一张输入人脸图像，与年龄相关分布的均值可作为年龄估计器。这些表明，即使训练数据集呈现长尾年龄分布，UVA也能通过解耦方式高效且准确地估计与年龄相关的分布。UVA是首个在通用框架中实现人脸年龄分析任务（包括年龄转换、年龄生成和年龄估计）的尝试。定性与定量实验证明了UVA在五个流行数据集（包括CACD2000、Morph、UTKFace、MegaAge-Asian和FG-NET）上的优越性。
引用
@article{arxiv.1904.00158,
title = {UVA: A Universal Variational Framework for Continuous Age Analysis},
author = {Peipei Li and Huaibo Huang and Yibo Hu and Xiang Wu and Ran He and Zhenan Sun},
journal= {arXiv preprint arXiv:1904.00158},
year = {2019}
}