摘要
为了最小化年龄变化对面部识别的影响，以往的研究要么通过最小化身份特征与年龄特征之间的相关性来提取与身份相关的判别特征，称为年龄不变面部识别（Age-Invariant Face Recognition, AIFR），要么通过将不同年龄段的面部转换为同一年龄段来消除年龄变化，称为面部年龄合成（Face Age Synthesis, FAS）；然而，前者缺乏用于模型解释的视觉结果，而后者则存在影响下游识别的人工伪影。因此，本文提出了一种统一的多任务框架来同时处理这两个任务，命名为MTLFace，该框架能够在实现令人满意的面部合成的同时学习与年龄无关的身份特征表示。具体而言，我们首先通过注意力机制将混合的面部特征分解为两个不相关的成分——身份特征和年龄特征——然后利用多任务训练和连续域适应来解耦这两个成分。与传统的实现组级FAS的一次编码方法不同，我们提出了一种新颖的身份条件模块来实现个体级FAS，并采用权重共享策略以提高合成面部的年龄平滑度。此外，我们收集并发布了一个带有年龄和性别注释的大规模跨年龄段人脸数据集，以推动AIFR和FAS的发展。在五个基准跨年龄段数据集上的大量实验表明，我们提出的MTLFace在AIFR和FAS方面优于现有的最先进方法。我们进一步在两个流行的通用面部识别数据集上验证了MTLFace，结果显示其在野外环境下的面部识别中具有竞争力的表现。源代码和数据集可在以下网址获取：\url{https://github.com/Hzzone/MTLFace}。