由于同一个体年龄跨度较大的人脸图像难以收集，大多数现有的年龄老化方法使用不成对的数据学习年龄映射。然而，年轻和年老人脸图像的匹配歧义是这种不成对的数据所固有的，这种歧义会导致生成图像中的人脸属性出现不自然的变化，而且这种问题难以通过加入身份信息损失解决。在这篇文章中，我们提出了一种基于属性引导的人脸年龄老化图像生成算法来解决前述问题。具体来说，我们将人脸属性向量嵌入生成器和判别器中以使得生成年老人脸图像中的属性和输入图像相吻合。除此以外，为了提高生成图像的视觉可信度，我们引入了小波包变换用于提取图像的多尺度纹理信息。定性和定量实验结果均表明我们提出的模型能够生成逼真的老化人脸，并且在现有数据集上能够达到最优性能。 

　　人脸年龄老化（Face Aging）指的是基于一幅给定的人脸图像，生成指定年龄的相应老化人脸图像，可用于帮助解决跨年龄人脸识别等问题。由于大规模成对的训练数据（Paired data，同一个人在不同年龄段的人脸图像）收集成本巨大，现有的人脸年龄老化算法[1, 2, 3]通常使用不成对的数据（Unpaired data）对非循环结构（non-cyclic）的GAN网络进行训练。在这种情况下，对于任意一张输入人脸图像而言，数据集中并不存在该图像在指定年龄段中的对应图像（exact aged counterpart），所以有可能会产生图像映射歧义，使得模型学习到除了年龄老化以外的变化模式，最终导致生成的老化人脸图像中的人脸属性和输入图像不一致，而这种属性的改变难以被常用的Identity Loss所避免（见图1）。 

图1  年龄老化前后人脸属性出现变化的例子

　　针对这个问题，极悦注册智能感知与计算研究中心孙哲南、李琦、刘云帆等人提出将包含人脸属性信息的向量嵌入生成器和判别器中对模型的训练加以引导（Facial Attribute Embedding, FAE）。为了切实保证人脸属性信息能够有效地对模型所学到的图像映射进行约束，我们提出只选择和输入图像具有尽量相似人脸属性的真实年老图像作为正样本，生成年老图像和真实年轻图像均作为负样本进行对抗训练，使得判别器对年龄和人脸属性均具有判别能力，从而引导生成器合成与输入样本具有相同人脸属性的老化人脸图像。我们提出的模型框架如图2所示。 

图2  模型框架示意图

　　我们在两个常用数据集，Morph和CACD2000上进行了大量的实验。实验结果表明，我们提出的方法能够在保持年龄老化准确性和身份信息不变的情况下，有效提高图像变换前后人脸属性的保持率。 

图3  人脸年龄老化实验的部分生成结果

相关文献：

　　Attribute-aware Face Aging with Wavelet-based Generative Adversarial Networks