个性化脸龄转换的Re-Aging GAN

3908Re-Aging GAN：走向个性化的脸龄转型Farkhod Makhmudkhujaev、Sungeun Hong和In Kyu Park部Inha University，Incheon 22212，Korea{farhodfm，csehong，pik} @ inha.ac.kr输入3岁5岁10岁20岁40岁60岁图1：我们的方法在FFHQ数据集和StyleGAN2合成图像上的连续年龄转换结果。第一列显示输入图像，而其余的是生成的图像。请注意，我们的模型仅在FFHQ上进行训练;因此，第一行中的结果显示了所提出的方法的出色泛化能力摘要人脸年龄变换的目的是通过在给定的人脸上反映年龄因素来合成过去或未来的人脸图像理想情况下，这项任务应该在保持身份的同时，综合各个年龄段的然而，大多数现有的工作只集中在其中之一，或者很难训练，而非自然的文物仍然存在。在这项工作中，我们提出了Re-Aging GAN（RAGAN），这是一个考虑年龄转换中所有关键因素的新型单一框架。我们的框架实现了国家的最先进的个性化人脸年龄转换，迫使输入身份执行的自我指导的生成过程。具体地，RAGAN可以通过使用给定身份和目标年龄之间的高阶交互来学习学习的个性化年龄特征是根据目标年龄重新校准的身份信息因此，这样的特征包含身份和目标年龄信息，其提供关于输入身份在某个年龄应该如何的重要线索实验结果表明，与以往的方法相比，该方法的FID和KID分数最低，年龄识别准确率最高所提出的方法还展示了具有较少伪影、身份保留和跨不同年龄组的自然转换的视觉优势。1. 介绍面部年龄转换任务致力于根据目标年龄学习给定面部的年龄进展或回归。在这里，目标年龄意味着一个明确的条件反射因素，指导转换，以产生具有一定年龄的面部图像。 就是我们为输入面部图像设置任何目标年龄，并期望具有描绘目标年龄特征的输出面部，如图1所示。理想情况下，年龄转换模型应满足以下属性。首先，模型应该在使面部年龄前进/后退的同时考虑到人的身份，并维持其基本上未改变，即，身份保护其次，模型应该能够生成与各个年龄组的目标年龄相对应的自然面孔。在这方面，已经引入了许多关于面部年龄转换的作品[1，48，46，39，12，42，33，47，24，45]。这些方法基于强大的生成对抗网络（GAN）[10，30]，训练深度神经网络对输入的人脸进行鲁棒的年龄变换。除此之外，有几种方法[43，46]采用了额外的机制（即，网络和约束）以用于身份保存，以确保面部身份在年龄变换过程期间不变。然而即便是3909尽管有改进的方法，但现有方法倾向于生成具有可见伪像和/或看起来不自然的面部的图像，这必然降低图像质量及其感知。应该考虑的另一个重要方面是大范围的年龄转换，具体地说，用于恢复输入面的年龄回归过程。大多数现有的作品很少涉及这一过程，更多地关注进展。虽然一些方法可以对面部年龄回归进行操作并且提供良好的性能，但是由于紧密的面部裁剪，它们的结果仍然遭受面部区域附近和/或面部区域上的伪影并且不包含背景总体而言，即使有这样的相当大的努力，很少有模型涵盖所有的关键因素，如身份保留的年龄转换在广泛的年龄组。在本文中，我们考虑了所有这些重要因素的脸年龄转换，并提出了一个简单而有效的框架，称为再老化GAN（RAGAN）。与最近的方法不同，我们努力在单个框架中设计RAGAN，以使模型训练更容易，更具可扩展性我们的生成器包括三个子网络，即编码器，年龄调制器和解码器，其中每一个是设计与一个特定的角色，面对年龄变换。由于它是必要的，以满足身份保存属性，以及生成准确的和视觉上合理的变换图像的背景，我们做了一个编码器，从背景中分离的人脸区域，使它只专注于提取身份特征。我们意识到，在没有明确指导的学习过程中，身份可能会被打乱。因此，我们考虑通过插入编码器和解码器之间的年龄调制器来调制与给定目标年龄一致的该网络的直接合并旨在提供个性化的年龄感知特征，从而自我引导解码过程。通过利用这样的特征，解码器学习以最佳方式在身份特征上平滑地添加目标年龄特征。解码器通过映射回背景来进一步改善图像的视觉感知由于整个过程集中在面部区域上，所以它允许生成器更多地关注于变换面部区域并有助于避免影响背景（即，颜色变化、伪影）。对于判别器部分，我们遵循由常规年龄相关损失组成的高级方法[7，29，26本工作的主要贡献如下：• 我们引入了一个个性化的自我指导计划，使变换的输入面在不同的目标年龄组，同时保持身份。• 我们成功地执行人脸年龄转换，只使用一个单一的生成和歧视性的模型，有效地训练在一个不成对的方式。• 我们定性和定量地证明了RAGAN的优越性，通过广泛的实验和评估，超过国家的最先进的方法。2. 相关作品用GANs进行面部老化许多最近的工作广泛地将GAN方法应用于面部老化。在[1，48，43，39，24]中利用了允许在生成的图像中增强年龄特征的条件GAN（cGAN）[30]的概念然而，模型导致产生模糊的图像，并损坏身份信息[12，47]。反过来，几种方法[43，46，23，22]通过采用 使用诸如L2约束、预训练的身份分类器等的识别机制。除了身份保存网络之外，[22]还引入了小波变换来捕获用于年龄合成的纹理细节。类似地，在[28，27]中使用小波信息，但是在鉴别器中以多尺度方式使用。然而，他们的结果仍然存在明显的伪影[47]。[12]的工作提出了S2GAN，其在编码的个人化老化基础上应用特定于年龄的变换，以获得和解码输入面部的特定于年龄的尽管结果合理，但S2GAN描述年龄进展的能力较低[33]。为了生成高分辨率的图像，[47]提出了一种人脸高分辨率年龄编辑模型（HRFAE）。该方法依赖于一种直接的方法，该方法通过单个完全连接层的输出来重新加权编码特征。类似地，[9]提出通过在解码过程中使用SPADE块[34]来合并老化图，尽管这些方法保持了良好的身份保护和年龄信息，但其局限性在于大多数情况下执行年龄前进而不是回归。LATS [33]提出了一种合成寿命年龄转换的方法他们的解码器以与StyleGAN2 [17]类似的方式操作，并在身份特征上执行调制卷积，同时注入从映射网络学习的目标年龄潜在向量尽管有令人印象深刻的性能，LATS主要集中在人脸合成，而不使用背景信息，这导致了意想不到的文物。除了面部年龄特异性方法之外，图像到图像转换[5，6，7，8，9，10，11，11，12，13，14，15，16，17，18]也可以用于面部年龄特异性方法。20，35，36，44]可以应用于面部年龄转换任务。已经有几次尝试在多域转移模式中操纵面部年龄属性为了执行面部年龄操作（即，年轻到年老，反之亦然），StarGAN [6]和STGAN [25]假设年龄域与其他面部相关域不同。然而，由于特定年龄而导致的面部外观与其他面部属性高度相关。例如，当使用多域转移在不同年龄组之间进行翻译时，也可以转移与年龄无关的风格，例如性别、配饰和种族此外，基于多域转移的方法难以对形状（即，头部）变形。我们参考了提供对多域转移方法的广泛分析的工作[33]3910∈Y∈ XXY老化调节剂目标年龄[6-9]输入图像背景特征-流输出图像[30-39]编码器解码器[6-9]图像级特征面部相关特征身份特征（）的方式可感知的特性（）掩模图像中间特征部图2：我们提出的RAGAN框架的概述。 给定一个输入图像，我们的框架将其转换为目标年龄y’通过传达个性化年龄感知信息的自引导特征3. 该方法3.1. 概述设和分别为图像和可能年龄的集合。给定人脸图像x和从y’随机抽取的目标年龄，我们的目标是训练单个生成器G，使得它可以生成与x中的身份对应的特定年龄y’的人脸图像x’。此外，我们在G中引入了一个年龄调制器，通过考虑目标年龄来重塑身份特征，并将其作为自引导信息。与现有的工作相比，我们的主要目标是鲁棒地变换人脸年龄，以及最大限度地保留年龄无关的信息，如背景，发型，表情等。这意味着我们的框架应该在年龄变换过程中保留输入图像中包含的与年龄无关的信息因此，我们考虑在编码器和解码器网络上共享一些有价值的信息的简单策略3.2. 拟议框架我们的基于GAN的框架被分为由编码器，调制器和解码器组成的由于我们的鉴别器部分遵循现有方法[7，29，26]并且不是本研究的主要焦点，因此在图2的整体流程中仅描述了生成器部分。我们的生成器使用的编码器-解码器的架构概念的图像生成，是由一个身份编码器Enc，年龄调制器AM，和解码器Dec。从表面上看，我们的编码器和解码器网络执行与现有作品相同的过程，但有一些修改（见下文）。我们和其他作品之间的区别之一是一个额外的子网络在发电机的瓶颈通过该网络，我们可以获得提供关于特定人在所考虑的年龄时假定这样的年龄感知特征是基于给定的输入图像来学习的，则它可以在进一步的生成过程中用作自我指导信息。3.3. 身份编码器给定用于年龄变换的图像X，我们的身份编码器Enc提取图像的身份相关特征f_id，其中f_id=Enc（X）。特别地，编码器提供这样的特征，其在局部水平上提供面部结构这些特征对于生成相同外观的面部是必要的，并且因此具有高重要性，如先前所讨论的。反过来，这种重要性直观地导致我们只关注面部区域。因此，我们建议在将x转移到特征域之后执行掩码操作为此，我们利用在复杂的基于掩模的数据集[21]上训练的网络[4 我们故意在这个阶段执行掩蔽，使得我们可以获得面部以及背景相关的特征以仅在面部区域上操作，同时保持背景信息。在架构级，身份编码器被设计为具有图像到特征级卷积层，随后是下采样残差块[11]。3.4. 老化调节剂年龄调制器AM以CNN的形式构造，CNN广泛用于学习低维向量。3911L−·一个input的。它从编码器获取身份特征fid，并且通过考虑给定的年龄信息y′，输出其整形版本faw=AM（fid，y′），其中faw是元素年龄感知向量。为了将目标年龄嵌入到AM中，我们添加了条件批量归一化（CBN）层，用作将标签信息并入网络的一种方式[41，8，32，31]。通过这样做，AM学习输入身份的最佳年龄感知特征，这使得能够满足身份和年龄属性。考虑到网络被集成到G中，它可以以端到端的方式与生成器一起训练我们实现AM作为一组下采样层与CBN技术产生一个紧凑的特征向量用于调制解码器层。3.5. 解码器解码器网络Dec将身份特征与年龄感知特征一起使用，并通过x′=Dec（f id，f aw）产生年龄变换的人脸图像。 身份的保存应该伴随着年龄特征的变化。因此，为了满足这两个属性，我们利用年龄感知特征来通过对未成形身份特征的调制操作来自引导 解 码 过 程 身 份 特 征 fid 由 自 适 应 实 例 归 一 化（AdaIN）层调制[14，16]。如上所述，在Enc中执行掩蔽操作通过ad hoc connec-tion提供背景相关特征。 也就是说，我们可以使用它来生成具有更好视觉感知的图像，然后将学习的特征表示映射到图像域中。然而，代替直接将该信息添加到面部相关特征，我们再次对学习的面部表示执行掩蔽操作，以去除由于归一化和激活层而在背景中发生的微小变化其次，我们结合了人脸和背景相关的特征，并使用最后一个卷积层将它们映射回图像域。 我们构建这个网络，通过镜像的编码器架构与下采样的替代，上采样层。3.6. 鉴别器我们的鉴别器D遵循[7，29，29]中提出的工作。基于三个输入信息，输入图像x及其对应的年龄标签y，以及输入应该被变换成的随机采样的目标年龄y′随后，给定该信息，G将产生年龄变换的x′、重建的xrec和周期一致性图像xcycle，如下所示：x′=G（x，y′），xrec=G（x，y），xcycle=G（x′，y）（1）如上所述，鉴别器的输出对应于特定的年龄域。因此，我们可以认为对抗性损失是以年龄类别为条件的。我们使用的对抗性损失公式为：adv（G，D）=Ex，y[logDy（x）]+Ex，y′[log（1Dy′（x′））]，（二）其中Dy（）是D对应于年龄y的唯一输出。在训练G时，我们必须考虑输入图像x的年龄y和目标年龄y’属于相同年龄组（y=y’）的情况。在这种情况下，经年龄变换的图像x’应该尽可能接近输入x。因此，我们添加重构损失，其迫使G注意这样的情况：Lrec（G）=x −x rec1（3）循环一致性损失我们可以通过最小化对抗和重建损失来训练G生成在目标年龄方面真实和准确的图像。然而，这种最小化（即，（2）和（3））不能帮助迫使G学习在整个年龄变换过程中保持同一性，同时改变输入x的年龄特征。为了解决这个问题，我们以下面给出的形式包括周期一致性损失[18，49，6]：Lcyc（G）=x −x cycle1（4）考虑优化G和D的总体目标函数如下：min maxλadvLadv （ G ， D ） +λrecLrec （ G ）+λcycLcyc（G）G D26]并执行多任务分类。因此，最后一个全连接层具有多个输出分支，（五）分类多个年龄段。 通过执行二进制分类，每个分支学习确定图像是其年龄域的真实x还是假x′的有效性。4. 优化我们的框架的目的是产生图像的输入的身份被保留，而目标年龄是准确的表示。为了确保这种理想的变换，在我们的框架中使用三种类型的损失：对抗性、重构性和周期一致性。框架操作-其中λadv、λrec和λcyc是每个损失的权重，以平衡它们对训练的影响。5. 实验装置我们在单个NVIDIA Titan RTX GPU上以8个批次大小训练我们的模型30个epoch。作为优化器，我们使用Adam [19]，动量参数设置β1=0的情况。0且β2= 0。99，学习率为10-4。我们还添加3912R1正则化[29]在我们的训练阶段。此外，本发明还提供了一种方法，我们将学习率调度器应用于生成器3913×输入51525354555652535455565我们高分辨原子能爆炸输入3-56-1011-1516-2021-3031-4041-5050+ 21-3031-40 41-5050岁以上图3：与IPCGAN的定性比较[43]。图4：与HRFAE的定性比较[47]。和鉴别器。 在10 个epoch 的开始， 我们分别用λrec=10，λ cyc=1和λ adv=1训练我们的模型，用于重建，循环一致性和对抗性损失。此后，我们将λrec降低到1，因为这样的训练会带来更好的结果。为了训练我们的框架，我们使用FFHQ [16]数据集，由[33]标记为年龄转换任务。该数据集提供了10个年龄组的70，000人的图像。我们遵循[33]的策略来形成训练和测试分割，以及修剪具有低标签置信度得分的数据集图像。此外，该数据集提供面部语义图。我们使用这个语义信息来掩盖图像，从而分离面部区域和背景信息，以进行可靠的年龄转换。为了评估我们的模型对不可见图像的泛化能力，我们在定性评估中使用CelebA-HQ [15]和CACD [3]数据集这两个数据集都提供了具有年龄、姿势、照明和表情多样性的名人的面部图像。在我们的训练和评估中使用的所有图像都是256的分辨率 256，这是现有作品中常用的分辨率。评估指标在定量评估中，我们考虑评估生成图像的身份保留和年龄修改。为了保持同一性，我们引入了使用 Freche 'tinceptiondistance （ FID ） [13] 和 Kernelinception distance（KID）[2]度量，用于评估分布之间的差异。另外，为了评估年龄被引入到输入图像中的准确程度（即，年龄转换的正确性），我们遵循现有的工作，并使用年龄识别精度[43，42]。6. 实验结果6.1. 与以前方法的我们将我们的框架与最近的面部年龄转换方法进行比较，即HRFAE [47]，LATS [33]。此外，我们考虑了IPCGAN [43]，因为它旨在保留面部老化中的身份信息。我们通过将CACD数据集上的结果与IPCGAN进行比较来开始定性评估。为此，我们使用IPCGAN模型，该模型考虑了这些年龄组的年龄变化：11-20、21-30、31-40、41-50和50+。类似地，连同这些年龄类别的图像，我们还示出了我们在3-5、6-10个较年轻的班级中的结果，以证明我们的方法在执行CACD图像的全年龄变换中的潜力，如图3所示。值得一提的是，我们使用在FFHQ数据集上训练的模型进行定性比较。从图3中，我们可以看到我们的方法可以生成更逼真的变换，而IPCGAN在图像质量和伪影上有一些退化，特别是在较旧图像的眼睛区域中。我们比较我们的方法和最近推出的HRFAE的FFHQ数据集。与我们的相比，HRFAE在20-77岁的年龄范围内进行年龄转换。按照他们的协议，我们在给定的目标年龄对两者进行年龄编辑;但是，我们也包括我们在年轻时的结果，以提供一个完整的连续变化的感觉。在图4中，HRFAE的结果更多地在纹理级别，这意味着仅修改面部外观。相比之下，我们也可以使头部3914输入3-6 7-9 15-19 30-39 50+图5：与LATS的定性比较[33]。形状，使面部与人体生长过程一致我们还定性地评估了我们的方法对LATS的性能，LATS是最先进的变换模型，如图5所示。这两种方法之间最明显的区别之一是背景。由于LATS只考虑人脸区域本身，因此它丢失了我们认为对视觉感知有价值的必要信息根据规则，失去一个有助于LATS强调面部上的年龄变化（特别是在非常年轻的年龄），但在面部边界上引入伪影的额外成本由此，我们可以推断，保持背景不仅有利于更好的感知，而且有助于避免这种可见的伪影。此外，LATS图像的嘴部区域存在可见伪影，而我们的模型根据目标年龄平滑地这些结果证明了AM的自我引导的效率，其提供了传达身份和目标年龄信息的可靠特征6.2. 泛化能力所有基于深度学习的方法的一个重要方面是要有能力推广到看不见的在训练阶段没有看到该数据集的图像，并且所有结果都是单独使用在FFHQ上训练的模型生成的。我们在图6中展示了CelebA-HQ图像的年龄转换结果（上面两行）。通过查看生成的图像，我们可以以平滑的方式看到人的年龄转变流程。值得注意的是，在保留身份和改变年龄特征的同时，保留了可以在顶行处的人后面的横幅中看到的背景信息。我们观察到由于化妆而难以注意到年龄变化的情况，并且由于这是分布的特征之一，模型也相应地学习它。尽管如此，这个问题在年龄相关的任务中是常见的，包括常规的年龄估计/分类。此外，我们测试如何提出的框架可以generalize假图像。为此，我们使用StyleGAN2 [17]的合成图像 1同样，该模型在训练中从未见过这样的假图像。我们的年龄转换框架的性能如图6所示（下面两行）。从图中，我们可以确认我们的模型在合成图像中表现良好，如在CelebA-HQ中。总体结果表明，我们的模型的泛化能力，看不见的数据。数据对此，我们在图像上进行了实验[15]第十五话我们应该强调我们的模型1www.thispersondoesnotexist.comLATS我们我们LATS3915输入旧−→子FaceApp我们输入儿童−→老年FaceApp：旧FaceApp：酷旧我们输入连续面龄变换图6：我们的模型对CelebA-HQ [15]数据集图像（上面两行）和StyleGAN 2 [17]合成图像（下面两行）的泛化能力第一列是输入，其他列是结果。图7：与FaceApp应用在面部年龄回归和进展中的定性比较6.3. 与FaceApp的移动设备上的面部操作工具对于编辑面部属性已经变得非常有用。允许年龄编辑的代表性应用之一是FaceApp2。这个应用程序提供了几个过滤器，使一个人看起来更年轻或更老。在这里，我们将我们的结果与FaceApp在恢复和老化方面进行了比较。对于恢复活力的过程，我们使用名为Child的FaceApp过滤器;而对于人的老化过程，我们设置了“老”和“酷老”的过滤器。图7展示了我们和FaceApp结果的并排比较。我们可以清楚地看到，FaceApp图像与输入相比有不同的肤色，结果更明亮。在年龄年轻化方面，值得注意的是，与FaceApp相比，我们的结果具有更好的幼稚观点。在老化过程的情况下，除了一些小细节，如头发颜色和添加胡须，我们没有发现任何明显的区别之间的旧和酷旧过滤器，2www.faceapp.comFaceApp.虽然FaceApp可以增加老化皱纹，但它传达的视觉感知较少。有趣的是，我们的转换引入了一个刚毛和尝试对齐玻璃。6.4. 身份保护我们采取了不同的策略来评估身份保护。具体而言，我们使用FID [13]和KID [2]指标进行定量比较。如上所述，模型需要学习输入和目标年龄属于同一组的情况，并产生接近输入的输出。如果模型不能重新生成给定的输入，那么我们可以认为身份信息受到变换的影响，身份因此恶化甚至丢失。基于这个假设，我们有兴趣估计模型的同一性保持/偏差。我们可以通过FID和KID来估计这些因素，因为这些指标评估了两个分布之间的差异。此外，我们还可以了解生成图像的质量3916方法年龄组电话：021 - 88888888 传真：021 - 8888888815-1920-2930-39四十-四十九50岁以上FID↓IPCGAN-HRFAE-------45.3541.6759.1254.9058.8752.6556.17四十八块六毛五拉特75.8777.14七十九点九一60.3859.4343.2857.4155.76四十七点一二我们的71.6174.64七十五点八七54.4757.1538.2751.9350.47四十五点六三KID↓IPCGAN-HRFAE-------0.0100.0060.0110.0090.0090.008个单位0.0050.006LATS0.0160.0130.008个单位我们的0.0110.0100.0060.0070.0060.0070.0050.0050.0020.0050.0030.0050.003个单位0.0020.002个单位表1：通过FID和KID度量估计的同一性保留评分。分数越低越好。为此，我们执行一个重新生成过程中使用的图像，在每个年龄域的测试集，并将它们与他们的真正的同行。具体而言，我们分别评估每个年龄组的模型。对于来自源年龄组的每个测试图像，我们将其转换回自己的年龄组。然后，我们从Inception-V3 [40]中提取特征，这些特征是在ImageNet上训练的，用于真实x和生成的图像x'。之后，我们计算FID和KID之间的真实和生成的分布为各自的年龄组。由于IPCGAN和HRFAE在更高的年龄运行，因此我们提供了相应的结果。较低的FID和KID分数指示输入图像被更好地再生，并且因此模型具有保持身份的能力。我们在表1中给出了我们的比较结果。我们发现，我们的方法在所有年龄组中表现良好，与LATS相比差异较低值得注意的是在这两个指标，我们的方法取得了更好的结果相比，其他人，从而显示其身份保护能力。6.5. 年龄识别此任务专门设计用于评估生成图像上目标年龄的反射水平通过执行这样的评估，我们可以验证变换后的图像如何准确地描绘其新时代域。为此，我们使用在年龄数据集[37]上训练的VGG16 [38]网络。我们认为来自FFHQ数据集的20-29岁年龄组的测试图像是用于将其年龄转换为0-2、3-6、7-9、10-14、30-39、40-49和50+组的源图像我们选择这个特定的年龄组来评估衰老和恢复活力任务中的年龄转变。与前面的计算类似，我们分别对每个年龄组进行识别。我们根据正确识别的样本数与样本总数的比率报告准确度。类似的身份保存的测试，我们提供的IPCGAN和HRFAE的结果，为更高的年龄。识别准确率越高，说明目标年龄方法0-2 3-6 7-910-1415-19 30-3940-49岁50+拉特57.9855.7553.1456.4954.2158.8962.2764.66我们的55.6253.4656.7859.1157.0459.9563.1665.47表2：在宽范围年龄组分类下LATS和我们的方法之间的定量比较。提供了准确度（%）方法15-19 30-39 40-49 50+IPCGAN52.0155.4153.8655.64高分辨原子能爆炸55.3758.1057.3659.47我们57.0459.9563.1665.47表3：通过IPCGAN、HRFAE和我们的方法在较高年龄组的生成图像上的年龄组分类准确度。给出了准确度（%）生成的图像中的特征。表2和表3报告了我们对年龄组识别的比较可以看出，我们的方法在所有年龄组中表现良好。LATS和我们的方法试图引入更多与年龄相关的特征，如胡须、眼镜、灰色头发颜色等。我们认为这是导致更高准确性的一个明显因素7. 结论在这项工作中，我们提出了一种新的年龄转换框架，称为RAGAN，允许保留一个人的身份，同时改变其年龄特征，在不同的年龄组。我们的框架利用身份信息来学习个性化的年龄特征，这些特征可以自我指导，以实现高效可靠的面部年龄转换。具体来说，我们适应个性化的身份特征，以目标年龄特征，为此目的。我们的框架可以保持输入的背景，以便更好地视觉感知所生成的图像相比，国家的最先进的方法。总的来说，我们简单而有效的单一框架能够以端到端的方式考虑面部外观和身份细节的年龄特征。定性和定量的结果支持了所提出的方法相比，现有的方法的优越性确认这项工作得到了韩国国家研究基金会（NRF）的支持 ， 该 基 金 由 韩 国 政 府 （ MSIT ） 资 助 （ 编 号 ：2009）。NRF-2019R1A2C1006706/ No. NRF-2021R1F1A1054569）。这项工作得到了韩国政府（MSIT）资助的信息通信技术规划评估研究所3917引用[1] 格里戈里·安提波夫、莫埃斯·巴库什和让-吕克·杜格莱。用条件生成对抗网络面对衰老2017年IEEE图像处理国际会议，第2089-2093页，2017年。一、二[2] 作者：DanicaJ. 萨瑟兰，迈克尔·阿贝尔，阿瑟·格雷顿。揭秘MMD GANs。在2018年国际学习代表会议上。五、七[3] Bor-Chun Chen，Chu-Song Chen，and Winston H Hsu.用于年龄不变人脸识别和检索的跨年龄参考编码。欧洲计算机视觉会议论文集，第768-783页。Springer，2014. 5[4] 陈良杰、乔治·帕潘德里欧、弗洛里安·施洛夫和哈特维格·亚当。再思考无卷积在语义图像分割中的应用。arXiv：1706.05587，2017。3[5] 陈颖聪，沈晓辉，林哲，卢欣，鲍毅，贾佳雅，等.面向人脸属性操作的语义组件分解。 在proc IEEE/CVF计算机视觉和模式识别会议，第9859- 9867页，2019年。2[6] Yunjey Choi，Minje Choi，Munyoung Kim，Jung-WooHa，Sunghun Kim，and Jaegul Choo. StarGAN：用于多域图像到图像翻译的统一生成对抗网络IEEE/CVF计算机视觉和模式识别会议论文集，第8789-8797页，2018年。二、四[7] Yunjey Choi，Youngjung Uh，Jaejun Yoo，Jung-WooHa.StarGAN v2：多领域的多样化图像合成IEEE/CVF计算机视觉和模式识别会议论文集，第8188-8197页，2020年。二、三、四[8] HarmDeVries，FlorianStrub，Je're'mieMary，HugoLarochelle，Olivier Pietquin和Aaron C Courville。通过语言调节早期视觉处理。神经信息处理系统进展，第6594-6604页，2017年。4[9] JulienDespois，Fre'd e'ricFlament，andMatthieuPerrot. Ag-ingMapGAN（AMGAN）：利用空间感知条件gans进行高分辨率可控人脸老化。欧洲计算机视觉会议论文集，第613Springer，2020年。2[10] 伊恩·古德费洛、让·普盖特-阿巴迪、迈赫迪·米尔扎、许冰、大卫·沃德-法利、谢尔吉尔·奥扎尔、阿伦·库维尔和约舒亚·本吉奥。生成性对抗网。神经信息处理系统进展，第2672-2680页，2014年。1[11] Kaiming He，Xiangyu Zhang，Shaoying Ren，and JianSun.用于图像识别的深度残差学习。IEEE/CVF计算机视觉和模式识别会议论文集，第770-778页，2016年。3[12] Zhenliang He，Meina Kan，Shiguang Shan，and XilinChen. S2 GAN：跨年龄段分享衰老因素，在个体间分享衰老趋势。IEEE/CVF国际计算机视觉会议集，第9440-9449页，2019年一、二[13] Martin Heusel、Hubert Ramsauer、Thomas Unterthiner、Bernhard Nessler和Sepp Hochreiter。GANs训练者两时间尺度更新规则收敛到局部Nash平衡。神经信息处理系统，第6626-6637页，2017年。五、七[14] Xun Huang和Serge Belongie。实时任意样式传输，具有自适应实例规范化。在IEEE/CVF计算机视觉国际会议论文集，第1501-1510页，2017年。4[15] Tero Karras ， Timo Aila ， Samuli Laine ， and JaakkoLehtinen.GANs的逐步增长，以提高质量，稳定性和变化。在2018年国际学习代表会议上。五、六、七[16] Tero Karras Samuli Laine和Timo Aila一个基于样式的生成器架构，用于生成对抗网络。 在proc IEEE/CVF计算机视觉和模式识别会议，第4401-4410页，2019年。四、五[17] Tero Karras ， Samuli Laine ， Miika Aittala ， JanneHellsten，Jaakko Lehtinen，and Timo Aila.分析和改进StyleGAN的图像质量。IEEE/CVF计算机视觉和模式识别会议论文集，第8110-8119页，2020年。二六七[18] Taeksoo Kim、Moonsu Cha、Hyunsoo Kim、Jung KwonLee和Jiwon Kim。学习发现跨域关系与生成对抗网络。InProc. of the International Conference on MachineLearning，2017. 4[19] Diederik P Kingma和Jimmy Ba。 Adam：随机最佳化的方法。在2015年国际学习代表会议上。4[20] Guillaume Lample，Neil Zeghidour，Nicolas Usunier，Antoine Bordes ， Ludovic Denoyer ， and Marc'AurelioRan- zato.衰减器网络：通过滑动属性来操纵图像。神经信息处理系统进展，第5967-5976页，2017年。2[21] Cheng-Han Lee，Ziwei Liu，Lingyun Wu，and Ping Luo.MaskGAN：面向多样化和交互式面部图像管理。在IEEE/CVF计算机视觉和模式识别会议论文集，第5549-5558页，2020年。3[22] Peipei Li，Yibo Hu，Ran He，and Zhenan Sun.全局和局部一致性小波域年龄合成。IEEE Trans. on InformationForensics and Security，14（11）：2943-2957，2019. 2[23] Pepeei Li，Yibo Hu，Qi Li，Ran He，and Zhenan Sun.全球和局部一致的年龄生成对抗网络。2018年第24届模式识别国际会议，第1073-1078页，2018年。2[24] Qi Li，Yunfan Liu，Zhenan Sun.空间注意模块的年龄进展和回归 在proc AAAI人工智能会议，第11378-11385页，2020年。一、二[25] Ming Liu ，Yukang Ding， Min Xia ，Xiao Liu ，ErruiDing，Wangmeng Zuo，and Shilei Wen. STGAN：一个统一的选择性传输网络，用于任意图像属性编辑。 在proc IEEE/CVF计算机视觉和模式识别会议，第3673-3682页，2019年。2[26] Ming-Yu Liu，Xun Huang，Arun Mallya，Tero Karras，Timo Aila，Jaakko Lehtinen，and Jan Kautz.很少拍摄的无监督图像到图像的转换。在IEEE/CVF的Proc.3918国际计算机视觉会议，第10551二、三、四[27] 刘云帆，李琦，孙振安。基于小波的生成对抗网络的属性感知人脸老化 在proc IEEE/CVF计算机视觉和模式识别会议，第11877-11886页，2019年。2[28] 刘云帆，李琦，孙哲南，谭铁牛。A3GAN：一个用于面部衰老的属性感知注意生成对抗网络。IEEE Trans. onInformation Forensics and Security ， 16 ： 2776-2790 ，2021. 2[29] Lars Mescheder ， Sebastian Nowozin ， and AndreasGeiger. GANs的哪些训练方法实际上是收敛的？在proc2018年国际机器学习会议二、三、四[30] Mehdi Mirza和Simon Osindero条件生成对抗网。arXiv：1411.1784，2014。一、二[31] Takeru Miyato，Toshiki Kataoka，Masanori Koyama，and Yuichi Yoshida.生成式对抗网络的谱归一化。在2018年国际学习代表会议上4[32] 宫人武和小山正则。带有投影鉴别器的cGAN。在2018年国际学习代表会议上。4[33] Roy Or-El 、 Soumyadip Sengupta 、 Ohad Fried 、 EliShecht-man和Ira Kemelmacher-Shlizerman。寿命转换合成。 在proc 2020年欧洲计算机视觉会议一、二、五、六[34] Taesung Park ， Ming-Yu Liu ， Ting-Chun Wang ， Jun-Yan Zhu.具有空间自适应归一化的语义图像合成。IEEE/CVF计算机视觉和模式识别会议论文集，第2337-2346页，2019年。2[35] Albert Pumarola、Antonio Agudo、Aleix M Martinez、AlbertoSanfeliu和FrancescMoreno-Noguer。Ganimation：从单个图像中获得解剖感知面部动画。欧洲计算机视觉会议论文集，第818-833页，2018年。2[36] ShengjuQian ， Kwan-YeeLin ， WayneWu ，Yangxiaokang Liu ， Quan Wang ， Fumin Shen ， ChenQian，and Ran He.做个鬼脸：走向任意高保真人脸操作。IEEE/CVF计算机视觉国际会议论文集，第10033-10042页，2019年。2[37] Rasmus Rothe，Radu Timofte，and Luc Van Gool.从一张没有面部标志的单一图像中对真实和表观年龄的深度预期。国际计算机视觉，126（2）：144-157，2018。8[38] Karen Simonyan和Andrew Zisserman用于大规模图像识别的非常深的卷积网络。2015年国际学习表征会议。8[39] Jingkuan Song，Jingqiu Zhang，Lianli Gao，XianglongLiu，and Heng Tao Shen.双条件GANs用于面部衰老和