Face Aging with Identity-Preserved Conditional Generative Adversarial Networks
Facial Ageing with Identity-Preserving Conditional Generative Adversarial Network
Abstract
该技术在年龄识别与娱乐相关领域具有重要意义，并且展现了广泛的应用潜力。然而，在这一研究领域中我们面临的一个显著问题是缺乏足够的标注数据来支撑其发展需求。鉴于不同个体的老化程度各异，在本研究中我们主要致力于通过生成特定年龄段的人脸来模拟目标年龄特征，并非旨在合成精确标注的具体 ages. 为此我们将目标年龄段的人脸样本划分为多个群体并将其视为将面部图像迁移到不同年龄段集合体的一种方式. 此外为了保证生成结果的质量 我们要求生成的面部图像应与输入图像保持一致的特征描述. 综上所述 在保持面部身份特性的前提下构建了一个新的生成对抗网络模型——IPCGANs框架
主要创新点 贡献
- 基于年龄分类网络和提取人脸身份细节网络。
- 通过用户调研验证结果具有较高的可信度。
- 作者提出了IPCGANs作为一个通用框架，并能够有效解决其他多属性迁移问题。
数据集
作者采用了公开数据集CACD这一资源库，并收集了来自不同年龄段（16岁至62岁）的名人面部照片共超过十万张图片。每个图像都附有相应的年龄标注信息。其中90%用于训练样本的构建，剩下的10%则用于测试集的准备。为了便于后续分析与管理，作者将整个数据集划分为五个子集：分别为11-20岁、21-30岁、31-40岁、41-50岁以及50岁以上五个年龄段区间内的面部图像集合。这些子集中分别包含了8.65万、6.67万、7.74万、8.84千以及7.89千张图片，并分别占总样本量的比例为84.7%、39.8%、42.9%、4.3%以及约零点几的比例
主要思想
本文结构清晰明了,主要由四个核心模块组成. 包括一个生成器, 一个鉴别器, 一个年龄分类器以及一个预训练好的AlexNet模型. 输入到网络中的是图像与其对应的目标年龄信息结合体. 经过生成网络处理后得到输出图像,随后将该输出传递至鉴别器进行特征提取. 接着,通过年龄分类器进一步细化识别结果. 最终,我们将生成图像与原始输入图像一同作为测试样本输入到预训练好的AlexNet模型中计算感知损失.
损失函数
CGANs based face generation module
此处采用了基于最小生成器对抗网络（LSGAN）的损失函数来优化生成过程。
\begin{aligned} L _ { D } & = \frac { 1 } { 2 } \mathbb { E } _ { x \sim p _ { x } ( x ) } \left[ ( D ( x | C _ { t } ) - 1 ) ^ { 2 } \right] \\ & + \frac { 1 } { 2 } \mathbb { E } _ { y \sim p _ { y } ( y ) } \left[ \left( D ( G ( y | C _ { t } ) ^{2} \right] \right. \\ L _ { G } & = \frac { 1 } { 2 } \mathbb { E } _ { y \sim p _ { y } ( y ) } \left[ ( D ( G ( y ) | C _ { t } ) - 1 ) ^{2} \right]
\end{aligned}
Identity-preserved module
为了保持生成的人脸原有身份信息特性。作者引入了感知损失来控制面部细节的变化程度。研究表明，在这一过程中 h(x) 代表提取的特征层能够较好地反映面部关键属性。较低层次的特征层更适合于保存内容细节而较高层次则能够捕获图片的颜色和纹理细节。因此作者采用了计算输入空间与生成空间之间底层特征的均方误差作为评估标准：
L_{\text{id}} =\sum_{x\in\mathcal P_x(x)} \|h(x)-h(G(x|C_t))\|^2
Age classification module
L _ { a g e } = \sum _ { x \in p _ { x } ( x ) } \ell \left( G ( x | C _ { t } ) , C _ { t } \right)
Objective function
\begin{aligned} G _ { l o s s } & = \lambda _ { 1 } L _ { G } + \lambda _ { 2 } L _ { i d e n t i t y } + \lambda _ { 3 } L _ { a g e } \\ D _ { l o s s } & = L _ { D } \end{aligned}
缺点
从我的角度来看，生成图像的效果不够理想。代码开源：https://github.com/dawei6875797/Face-Aging-with-Identity-Preserved-Conditional-Generative-Adversarial-Networks