Age simulation for face recognition

Accept:2006ICPR
首先使用形状和纹理矢量通过在形状或纹理的本征空间中投影面部图像来表示面部图像。 然后结合年龄函数和年龄分类法对年龄进行估计。 并且我们使用估计的年龄，典型的向量创建函数和原始测试图像的特征向量来生成目标年龄的合成特征向量。 最后，我们重建了特征空间中的形状和纹理，并结合起来以在目标年龄合成面部图像。

A Compositional and Dynamic Model for Face Aging

Accept:2009IEEE Transactions on Pattern Analysis and Machine Intelligence
组成模型通过分层的“或”图表示每个年龄组中的面孔，其中“与”节点将面孔分解成描述对年龄感知至关重要的细节（例如头发，皱纹等）的部分

Age Synthesis and Estimation via Faces: A Survey

Accept:2010IEEE transactions on pattern analysis and machine intelligence
综述

A concatenational graph evolution aging model

Accept:2012 IEEE transactions on pattern analysis and machine intelligence
传统建模

Illumination-Aware Age Progression

Accept:2014CVPR

  • 问题
    1. 首先，老化过程是不确定的，具体取决于输入照片中可能不明显的环境和遗传因素。
    2. 其次，面部表情和可识别性受发型，眼镜，表情和照明的强烈影响，这些因素是可变且不可预测的。
    3. 最后，由于现有的年龄分析数据库相对较小，分辨率较低和/或年龄范围有限，因此可用于构建有效模型的数据相对较少。
    4. 从一张照片中老化非常小的孩子的照片被认为是所有情况中最困难的情况，超过几岁的年龄被认为是不切实际的。我们专门针对这个极具挑战性的案例。
  • 贡献
    1. 我们介绍了第一种完全自动化的年龄发展方法，该方法在“野外”运行，即在光照，表情或姿势上没有严格的限制。（在这之前的做法需要手动对齐）
    2. 我们提出了一些关于成年婴儿成年的令人信服的（也是最广泛的）结果。
    3. 我们引入了一种新颖的照明感知年龄发展技术，利用照明建模结果[1，31]，可以在不重建3D模型或光源方向的情况下正确考虑场景照明并纠正表面阴影。
  • 相关工作
    • Facial analysis and synthesis using image-based models.提出了使用基于图像的模型来合成新人脸的方法，但并没有关注老化和未校准的条件；
    • 现在有一些商业程序可以老化使用网络摄像头或手机拍摄的照片。但是，通常这些程序仅对成人或较大的孩子的照片有效；
  • 方法
    48GGFA
    不同年龄段的人的平均图像。 每个图像代表大约1500个人。 最上面一行的结果仅对齐以使眼睛，鼻子和嘴巴大致对应。 第二行显示像素间对齐后的平均值。 这些要清晰得多，但是色调是可变的，照明是不自然的，并且细微的形状差异（例如皱纹）被平均化了（以放大至最后一列）。 最下面的两行显示重新照明的平均值，与具有相反照明方向的两个参考帧（最左侧）匹配。 重新照明的结果具有适当的阴影，经过色调匹配，可以跨年龄比较，并显示3D形状变化（注意鼻子和额头）。
    48G6Wq
    得到可用的low-rank平均图片，就可以按照上图的方法进行叠加

Personalized Age Progression with Aging Dictionary(CDL)

Accept: 2015ICCV

  • 问题
    1. 基于原型的年龄发展会将预先划分的来源年龄组和目标年龄组的两个原型（例如，平均面孔）之间的差异转移到输入的个人面孔中，其年龄属于来源年龄组。基于原型的年龄发展方法不能很好地保留单个人脸的这种个性，因为它们是基于相对较大人群的人类衰老过程中的一般规则。
    2. 基于建模的年龄进程使用实际年龄（范围）对形状/纹理合成的面部参数建模。基于建模的年龄发展方法不会特别考虑这些个性化细节。而且，它们需要密集的长期（例如年龄跨度超过20岁）面部老化序列来构建复杂模型。但是，在现实世界中收集这些密集的长期面部序列非常困难，甚至不可能。
  • 贡献
    1. 我们提出了一种个性化的年龄发展方法来渲染衰老的面孔，该方法可以保留个性化的面部特征；
    2. 由于收集所有年龄段的人的面部序列是具有挑战性的甚至是不可能的，因此所提出的方法仅需要可用的短期面部老化对来学习人类衰老的所有老化字典基础，这是更可行的。 广泛的实验很好地证明了我们提出的解决方案相对于其他最新技术的优势 个性化的衰老进程，以及通过合成衰老面孔进行跨时代面孔验证的性能提升。

Recurrent Face Aging（RFA）

Accept: 2016CVPR

  • 问题
    1. 首先，面部可能具有许多不同的表情和光照条件，这对建模老化模式提出了巨大挑战。
    2. 此外，训练数据通常非常有限，并且同一人的面部图像仅覆盖狭窄的年龄范围。
    3. 此外，面部衰老过程还取决于环境和难以建模的基因。
    4. 物理模型方法采用参数模型，通过对肌肉，皮肤或颅骨的衰老机制进行建模来模拟面部衰老。但是，这些方法非常复杂且计算量很大，并且它们需要具有不同年龄范围的同一个人的大量面部序列。但是，当前很少有面部衰老数据集可以提供足够的数据。
    5. 原型方法不需要具有连续年龄的同一个人的脸部序列。原型方法使用非参数模型对老化进行建模。首先，将所有可用的面部分为离散的年龄组，并计算每个年龄组内的平均面部作为先验。平均面之间的差异被视为老化图案，并且该图案被转移到每个单独的面上以产生老化面。但是，==原型方法完全丢弃了个性化信息，所有人共享相同的老化模式。==而且，无论模型类型如何，所有这些方法都通过学习单个映射函数来执行从一个年龄组到另一年龄组的一步转换。因此，单步映射功能通常无法捕获相邻年龄组之间的面部中间序列的动态。
  • 贡献
    1. 提出了使用RNN网络的每个相邻群体之间的平滑面部老化过程； （解决问题2，）
    2. 我们的方法可以生成平滑的中间面，并且可以正确处理重影伪影。
  • 缺点
    1. 需要配对数据（需要较长年龄的面部图像序列
    2. 只能老化，不能年轻化
    3. 关注老化，没有重视身份保持
    4. 基于组的学习，这需要测试面孔的真实年龄来定位过渡状态
    5. 需要繁琐的预处理（Face Aging with Improved Invertible Conditional GANs）

Face Aging Effect Simulation using Hidden Factor Analysis Joint Sparse Representation

Accept: 2016IEEE Transactions on Image Processing

  • 问题
    1. 衰老的复杂性：人脸衰老涉及共同的规则和独特的模式。人们有着与年龄相关的相似变化，其中包括皱纹的加剧和轮廓的增长；而不同的遗传因素为不同的个体引入了随机性和多样性，使衰老过程彼此不同。此外，许多外部因素也对其产生影响。例如，生活方式会延迟或加速一个人的衰老速度，而化妆品与配饰一起会导致面部外观与其实际年龄之间出现偏差。所有这些原因增加了年龄发展过程中的不确定性和外观预测的难度。
    2. 数据收集：最近的大多数年龄发展方法都是以数据为驱动力的，其中从训练样本中了解衰老模式和与年龄相关的特征。因此，数据收集对于生成此类统计模型至关重要。只有在训练阶段涵盖足够的老化变化和皮肤细节的前提下，合成结果才有意义且可信。由于缺乏老年人的图像，或者迫于需求一个人长期衰老图片，现有的公开可用的面部衰老数据库远远不够。
    3. 其他干扰：使老化合成成为一项具有挑战性的任务的另一个原因是，实际的探针面通常会在表情，姿势和光照方面发生变化；因此，应该考虑使用健壮的老化模型。
    • 由于上述的复杂老化模型未解决问题的存在，在当前的老化模拟研究中，大多数其他干扰仍然受到严格限制。
  • 贡献
    1. 为了解决常见的数据短缺问题，我们收集了一个数据库，该数据库包含来自Internet的2,000多个面部图像，年龄从1到70岁，并且在每个面部上手动标记了68个地标
    2. 我们提出了一种新颖且通用的方法来进行面部衰老效果模拟，分别对在较长时期内趋于稳定的个人特定属性和随时间逐渐变化的提示进行建模。
    3. 我们将稀疏表示应用于面部衰老效果综合问题，该问题通过考虑与输入面部的一致性来更好地重建与年龄相关的分量，从而使合成的纹理更加自然。
  • 属于原型方法

Face Aging With Conditional Generative Adversarial Networks（AC-GAN）

Accept: 2017ICIP

  • 问题
    1. 原型制作方法可估计预定义年龄组内的平均面孔。这些面部之间的差异构成了老化模式，该老化模式进一步用于将输入的面部图像转换为目标年龄组。原型方法既简单又快速，但是由于它们基于通用规则，因此它们完全丢弃了个性化信息，从而导致图像不真实。
    2. 建模方法采用参数模型来模拟特定个体的肌肉，皮肤和头骨的衰老机制。然而，这些方法通常需要具有很大年龄范围的同一人的面部老化序列，这非常昂贵。提出的传统人脸老化方法仅限于对人脸的整体理解（其人格特征，面部表情，可能的面部配件等）缺失的衰老模式的建模。
    3. 在许多实际使用案例中，必须进行人脸老化结合其他面部更改，例如添加太阳镜或胡须。
    4. 以前基于GAN的人脸修改方法的一个普遍问题，即原始人的身份经常在修改后的图像中丢失。因此，在本研究中，我们着重于保持身份的面部老化。
  • 贡献
    1. 我们设计了Age-cGAN（年龄条件生成对抗网络），这是第一个生成所需年龄类别内高质量合成图像的GAN。
    2. 我们提出了一种新颖的潜在向量优化方法，该方法允许Age-cGAN重建输入的人脸图像，以保留原始人的身份。（这种方法具有通用性，意味着它不仅可以用于保留脸部衰老的身份，还可以用于其他脸部更改（例如添加胡须，太阳镜等）的身份。）
  • 缺点
    1. 图像重构损失函数错误（DualGAN，在训练过程中使用一个年龄label，但是测试过程中使用图像和不同的年龄label来进行测试）
    2. 强制执行身份一致性，不足以消除未配对训练数据中的匹配歧义（Attribute-aware Face Aging with Wavelet-based Generative Adversarial Networks）
    3. 尽管保留了身份，但对于年龄而言，这些方法仅考虑了年龄组之间的人口到人口的过渡，而没有明确考虑不同年龄之间的每个人的个性化过渡模式（S2GAN）
  • 方法
    48Yi59

后续再继续搬…（咕咕咕