Gesichtsalterung und -jungierung durch bedingte multi-adversarische Autoencoder mit ordinärer Regression

Gesichtsalterung und -jungfernisierung analysieren ein gegebenes Gesichtsfoto, um das zukünftige oder vergangene Aussehen einer Person vorherzusagen. Um dies zu erreichen, ist es entscheidend, die menschliche Identität und den entsprechenden Alterungsprozess sowie dessen Rückgängigmachung mit hoher Genauigkeit zu bewahren. Bestehende Methoden können jedoch diese beiden Ziele nicht gleichzeitig gut erfüllen. Wir schlagen einen neuen Ansatz auf Basis von generativen adversären Netzen vor, der als bedingter Multi-Adversarischer Autoencoder mit ordinärer Regression (CMAAE-OR) bezeichnet wird. Dieser Ansatz nutzt eine Technik zur Altersschätzung, um die Genauigkeit der Alterung zu steuern, und verwendet eine hochwertige Merkmalsrepräsentation, um die personalisierte Identität zu bewahren. Speziell wird das Gesicht zunächst durch einen Faltungsencoder in einen latenten Vektor abgebildet. Anschließend wird dieser latente Vektor unter Berücksichtigung des Alters durch einen De-Faltungs-Generator auf den Gesichtsmanifold projiziert. Der latente Vektor behält die personalisierten Gesichtseigenschaften bei, während das Alter die Gesichtsalterung und -jungfernisierung steuert. Ein Diskriminator und eine ordinäre Regression werden parallel auf Encoder und Generator angewendet, sodass die generierten Gesichtsbilder realistischer werden und gleichzeitig gewünschte Alterungseffekte aufweisen. Darüber hinaus wird eine hochwertige Merkmalsrepräsentation genutzt, um die personalisierte Identität des generierten Gesichts zu bewahren. Experimente mit zwei Benchmark-Datensätzen zeigen eine überzeugende Leistung des vorgeschlagenen Verfahrens im Vergleich zum Stand der Technik.