Look across Elapse: Disentangled Representation Learning and Photorealistic Cross-Age Face Synthesis for Age-Invariant Face Recognition

Motivation

現有的跨年齡識別技術可以分為兩種：

• 直接提取與年齡無關的特征進行識別
• 生成某個年齡的人臉，后進行匹配
  作者認為這兩個任務一起進行比較合適，可以互相利用信息。

Contribution

主要提出人臉不變模型Age-Invariant Model (AIM)

• AIM是一個新的架構，可以同時用于跨年齡生成與人臉識別
• AIM可以實現連續的年齡變化，同時保留身份
• AIM可以分離出于年齡不變的特征表示

Approach

根據之前的研究，人臉實際上可以分為跟年齡有關的成分和與身份有關的成分。AIM將學習跟年齡無關的特征，然后添加人臉年齡屬性進行對應合成，從而保證基于不變年齡的合成。
AIM是基于GAN，由RLN 年齡不變特征學習模塊，FSN 面部合成模塊兩部分組成。

Representation Learning sub-Net(RLN)

這個模塊主要就是要將同一身份不同年齡投影到相同的特征空間，解糾纏年齡與身份的關系。它由一個生成器及鑒別器組成，使用對抗學習增加約束生成的特征。
首先定義模塊提取特征：


$G_{{\theta }_E}$是一個生成器（編碼器），由9個損失組合而成。

• 跨年齡域對抗損失$L_{cad}$
  
  使用遷移學習的方法，使得學習到的域自適應，這使得特征不受域（年齡）的影響，哪怕某個域樣本有限關系不大。

• 交叉熵正則損失$L_{cer}$
  如果單獨使用$L_{cad}$，可能生成的流形局部最優，并不具有模糊可分性，由此引入$L_{cer}$，這個地方沒怎么看明白。
  

• f均勻分布對抗損失$L_{adv1}$
  
  加入一個先驗分布，使得f的流形是沒有空洞的，也就是平滑過渡的。
  

• 身份一致性損失$L_{ip}$
  

Face Synthesis sub-Net (FSN)

這個部分就是生成某個身份指定年齡的人臉：

$c$：代表年齡編碼
$x$：輸出人臉
也是使用對抗學習的方式，生成器為$G_{{\theta }_D}$，損失為：

• 圖像真實性及偽影損失 $L_{adv2}$
  
  $C_{i,j}$ :轉換$f_i$到年齡段$j$的年齡編碼
  常見的對抗損失，保證生成的圖片是真實的

• 年齡估計損失
  
  保證圖片符合理想變化效果，老化/年輕

• 流形一致性損失
  

• 尖峰偽影損失
  

• 注意力損失$L_{att}$
  

Discussion

個人總結本文的主要貢獻在于結合特征提取與人臉生成的多任務框架AIM，包括其中涉及的幾個損失函數，如域自適應、身份一致、年齡趨勢等，很好地結合了先驗知識進行設計。
但是文章細節部分有些沒有講清，比如標簽平滑那個地方，著實沒看明白，有機會再補充吧。

References

Zhao, J., Cheng, Y., Cheng, Y., Yang, Y., Lan, H., Zhao, F., Xiong, L., Xu, Y., Li, J., Pranata, S., Shen, S., Xing, J., Liu, H., Yan, S., & Feng, J. (2018). Look across elapse: Disentangled representation learning and photorealistic cross-age face synthesis for age-invariant face recognition. ArXiv.

總結

以上是生活随笔為你收集整理的人脸生成 Look across Elapse: Disentangled Representation Learning and Photorealistic Cross-Age Face的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。