跨年龄观察：解耦表示学习与 photorealistic 跨年龄人脸合成在年龄不变人脸识别中的应用

尽管在面部识别相关技术方面取得了显著进展，跨年龄段可靠地识别面部仍然是一项重大挑战。人类面部外观随时间变化显著，导致类内差异较大。与当前的年龄不变面部识别技术不同，这些技术要么直接提取年龄不变特征进行识别，要么先合成人脸以匹配目标年龄段，然后再进行特征提取，我们认为同时执行这两项任务更为理想，以便它们可以相互促进。为此，我们提出了一种用于野外面部识别的深度年龄不变模型（Age-Invariant Model, AIM），该模型具有三个独特的创新点。首先，AIM 提出了一种新颖的统一深度架构，能够以相互增强的方式联合执行跨年龄段人脸合成和识别。其次，AIM 实现了连续的人脸年轻化/老化处理，并具有显著的逼真性和身份保持特性，避免了对配对数据和测试样本真实年龄的需求。第三，我们开发了有效的新型训练策略，用于端到端学习整个深度架构，从而生成显式分离年龄变化的强大年龄不变人脸表示。此外，我们提出了一种新的大规模跨年龄段面部识别（Cross-Age Face Recognition, CAFR）基准数据集，以促进现有研究并推动年龄不变面部识别技术的发展前沿。在我们的 CAFR 数据集以及多个其他跨年龄段数据集（如 MORPH、CACD 和 FG-NET）上进行的大量实验表明，所提出的 AIM 模型优于现有的最先进方法。在最受欢迎的无约束面部识别数据集 IJB-C 上对我们的模型进行基准测试进一步验证了 AIM 在野外环境中识别人脸的良好泛化能力。