人脸年龄合成(face age synthesis,FAS)的目标是根据源人脸图像合成指定年龄人脸图像,同时保留人脸的个人特征和身份信息.针对年龄变换时无关特征容易改变和产生伪影鬼影的问题,提出一种基于生成对抗网络的人脸年龄渐进合成算法.采用基...人脸年龄合成(face age synthesis,FAS)的目标是根据源人脸图像合成指定年龄人脸图像,同时保留人脸的个人特征和身份信息.针对年龄变换时无关特征容易改变和产生伪影鬼影的问题,提出一种基于生成对抗网络的人脸年龄渐进合成算法.采用基于门控循环单元的年龄编辑模块自适应地过滤或加入特征,并使用属性解耦模块在潜在空间进行对抗学习,通过生成器和判别器的对抗策略保证了真实自然的人脸合成,使用年龄分类约束拟合特定年龄分布,为了保证年龄无关属性的保留,还在生成对抗网络中引入了重建学习.在跨年龄名人数据集(cross-age celebrity dataset,CACD)下的实验结果表明,对比其他基于条件生成对抗网络的算法,提出的算法生成的人脸图像伪影失真有所减少,年龄显著性增强,具有较好的年龄准确性和较高的身份一致性.展开更多
文摘人脸年龄合成(face age synthesis,FAS)的目标是根据源人脸图像合成指定年龄人脸图像,同时保留人脸的个人特征和身份信息.针对年龄变换时无关特征容易改变和产生伪影鬼影的问题,提出一种基于生成对抗网络的人脸年龄渐进合成算法.采用基于门控循环单元的年龄编辑模块自适应地过滤或加入特征,并使用属性解耦模块在潜在空间进行对抗学习,通过生成器和判别器的对抗策略保证了真实自然的人脸合成,使用年龄分类约束拟合特定年龄分布,为了保证年龄无关属性的保留,还在生成对抗网络中引入了重建学习.在跨年龄名人数据集(cross-age celebrity dataset,CACD)下的实验结果表明,对比其他基于条件生成对抗网络的算法,提出的算法生成的人脸图像伪影失真有所减少,年龄显著性增强,具有较好的年龄准确性和较高的身份一致性.
