نظرة عبر الزمن: تعلم التمثيل المنفصل وإعادة إنتاج الوجوه بواقعية فائقة للاعتراف بالوجه دون تأثير العمر

رغم التقدم الملحوظ في تقنيات التعرف على الوجه، لا يزال التعرف على الوجوه عبر الأعمار تحديًا كبيرًا. تتغير مظهر الوجه البشري بشكل كبير مع مرور الوقت، مما يؤدي إلى تباينات داخلية كبيرة. بخلاف التقنيات الحالية للتعرف على الوجه المستقل عن العمر، والتي إما تستخرج ميزات مستقلة عن العمر مباشرة للتعرف، أو تقوم أولاً بتركيب وجه يطابق العمر المستهدف قبل استخراج الميزات، نعتقد أن من الأفضل تنفيذ كلا المهمتين معًا بحيث يمكنهما الاستفادة من بعضهما البعض. لهذا الغرض، نقترح نموذجًا عميقًا مستقلًا عن العمر (Age-Invariant Model - AIM) للتعرف على الوجوه في البيئات الطبيعية مع ثلاث مميزات جديدة. أولاً، يقدم AIM هندسة عميقة موحدة جديدة تقوم بتركيب وجوه متعددة الأعمار والتعرف عليها بطريقة تعزز بعضها البعض بشكل متبادل. ثانياً، يتمكن AIM من تجديد وشيخوخة الوجه بشكل مستمر مع خصائص فوتوغرافية ممتازة ومحافظة على الهوية، مما يتجنب الحاجة إلى بيانات مقترنة والعمر الحقيقي للعينات الاختبارية. ثالثاً، طورنا استراتيجيات تدريب فعالة وجديدة لتعلم العمارة العميقة بأكملها بطريقة شاملة، مما يولد تمثيلات قوية للوجه المستقلة عن العمر بشكل صريح منفصلة عن التغير العمري. بالإضافة إلى ذلك، نقترح مجموعة بيانات جديدة ومقياسية لتعرف على الوجه متعدد الأعمار (Cross-Age Face Recognition - CAFR) لتسهيل الجهود الحالية ودفع حدود البحث في مجال التعرف على الوجه المستقل عن العمر. تؤكد التجارب الواسعة التي أجريت على مجموعتنا CAFR وعلى عدة مجموعات بيانات أخرى متعددة الأعمار (MORPH, CACD و FG-NET) تفوق النموذج المقترح AIM على أفضل التقنيات الحالية. كما أن اختبار نموذجنا على واحدة من أكثر مجموعات البيانات شهرة للتعرف على الوجه غير المقيد (IJB-C) يؤكد أيضًا الوعد الكبير لقدرة AIM على التعميم في التعرف على الوجوه في البيئات الطبيعية.