當前位置:首頁 > 新聞中心 > 科研動態

科研動態

智能感知與計算研究中心在人臉圖像老化生成方面實現新突破

  • 發表日期:2019-07-26 【 【打印】【關閉】
  •   由于同一個體年齡跨度較大的人臉圖像難以收集,大多數現有的年齡老化方法使用不成對的數據學習年齡映射。然而,年輕和年老人臉圖像的匹配歧義是這種不成對的數據所固有的,這種歧義會導致生成圖像中的人臉屬性出現不自然的變化,而且這種問題難以通過加入身份信息損失解決。在這篇文章中,我們提出了一種基于屬性引導的人臉年齡老化圖像生成算法來解決前述問題。具體來說,我們將人臉屬性向量嵌入生成器和判別器中以使得生成年老人臉圖像中的屬性和輸入圖像相吻合。除此以外,為了提高生成圖像的視覺可信度,我們引入了小波包變換用于提取圖像的多尺度紋理信息。定性和定量實驗結果均表明我們提出的模型能夠生成逼真的老化人臉,并且在現有數據集上能夠達到最優性能。 

      人臉年齡老化(Face Aging)指的是基于一幅給定的人臉圖像,生成指定年齡的相應老化人臉圖像,可用于幫助解決跨年齡人臉識別等問題。由于大規模成對的訓練數據(Paired data,同一個人在不同年齡段的人臉圖像)收集成本巨大,現有的人臉年齡老化算法[1, 2, 3]通常使用不成對的數據(Unpaired data)對非循環結構(non-cyclic)的GAN網絡進行訓練。在這種情況下,對于任意一張輸入人臉圖像而言,數據集中并不存在該圖像在指定年齡段中的對應圖像(exact aged counterpart),所以有可能會產生圖像映射歧義,使得模型學習到除了年齡老化以外的變化模式,最終導致生成的老化人臉圖像中的人臉屬性和輸入圖像不一致,而這種屬性的改變難以被常用的Identity Loss所避免(見圖1)。 

    1  年齡老化前后人臉屬性出現變化的例子

      針對這個問題,自動化所智能感知與計算研究中心孫哲南、李琦、劉云帆等人提出將包含人臉屬性信息的向量嵌入生成器和判別器中對模型的訓練加以引導(Facial Attribute Embedding, FAE)。為了切實保證人臉屬性信息能夠有效地對模型所學到的圖像映射進行約束,我們提出只選擇和輸入圖像具有盡量相似人臉屬性的真實年老圖像作為正樣本,生成年老圖像和真實年輕圖像均作為負樣本進行對抗訓練,使得判別器對年齡和人臉屬性均具有判別能力,從而引導生成器合成與輸入樣本具有相同人臉屬性的老化人臉圖像。我們提出的模型框架如圖2所示。 

    2  模型框架示意圖

      我們在兩個常用數據集,MorphCACD2000上進行了大量的實驗。實驗結果表明,我們提出的方法能夠在保持年齡老化準確性和身份信息不變的情況下,有效提高圖像變換前后人臉屬性的保持率。 

    3  人臉年齡老化實驗的部分生成結果


    相關文獻:

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

        

     

     

      

    山东体彩网