江西快3

<form id="asvbdjha"></form>

<address id="asvbdjha"><listing id="asvbdjha"><meter id="asvbdjha"></meter></listing></address>

        <em id="asvbdjha"></em>

        <form id="asvbdjha"></form>

          
          

                當前位置:首頁 > 新聞中心 > 江西快3

              江西快3

              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

            1. 发表日期:2019-07-26 【 【打印】【關閉】
            2.   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,爲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,並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,數據集中並不存在該圖像在指定年齡段中的對應圖像(exact aged counterpart),所以有可能會産生圖像映射歧義,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  年齡老化前後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、劉雲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)。为了切实保证人脸属性信息能够有效地对模型所学到的圖像映射进行约束,我们提出只选择和输入圖像具有尽量相似人脸属性的真实年老圖像作为正样本,生成年老圖像和真实年轻圖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圖像。我们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精确性和身份信息不变的情况下,有效提高圖像变换前后人脸属性的保持率。 

              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

                  

               

               

                

              网站地图