当年龄不变人脸识别遇见人脸年龄合成：一种多任务学习框架

为最小化年龄变化在人脸识别中的影响，先前工作或通过最小化身份相关与年龄相关特征间的相关性来提取身份相关的判别性特征（称为年龄不变人脸识别，AIFR），或通过将不同年龄组的脸变换至同一年龄组来去除年龄变化（称为人脸年龄合成，FAS）；然而，前者缺乏用于模型解释的视觉结果，而后者受限于伪影从而影响下游识别。因此，本文提出一种统一的、多任务的框架来联合处理这两项任务，称为 MTLFace，其可学习年龄不变的身份相关表示，同时实现令人满意的人脸合成。具体而言，我们首先通过注意力机制将混合人脸特征解耦为两个不相关分量——身份相关与年龄相关特征——然后通过多任务训练与连续域自适应对这两个分量去相关。不同于实现组级 FAS 的传统独热编码，我们提出一种新颖的身份条件模块来实现身份级 FAS，并采用权重共享策略以改善合成人脸的年龄平滑性。此外，我们收集并发布了一个带有年龄与性别标注的大型跨年龄人脸数据集，以推动 AIFR 与 FAS 的发展。在五个基准跨年龄数据集上的大量实验证明了我们所提 MTLFace 相对于现有 SOTA 方法在 AIFR 与 FAS 上的优越性能。我们进一步在两个流行通用人脸识别数据集上验证 MTLFace，显示出在真实场景人脸识别中的竞争性性能。源代码与数据集可在 \url{https://github.com/Hzzone/MTLFace} 获取。