Blick auf die Vergangenheit: Entwirrtes Darstellungslernen und photorealistische altersübergreifende Gesichtssynthese für altersinvariante Gesichtserkennung

Trotz der bemerkenswerten Fortschritte in den Technologien zur Gesichtserkennung bleibt die zuverlässige Erkennung von Gesichtern über verschiedene Altersstufen hinweg eine große Herausforderung. Das Aussehen eines menschlichen Gesichts verändert sich im Laufe der Zeit erheblich, was zu signifikanten innerklassischen Variationen führt. Im Gegensatz zu aktuellen Techniken für altersinvariante Gesichtserkennung, die entweder direkt altersinvariante Merkmale für die Erkennung extrahieren oder zunächst ein Gesicht synthetisieren, das dem Zielalter entspricht, bevor die Merkmale extrahiert werden, argumentieren wir dafür, dass es wünschenswerter ist, beide Aufgaben gemeinsam auszuführen, um gegenseitig voneinander zu profitieren. Zu diesem Zweck schlagen wir ein tiefes altersinvariantes Modell (Age-Invariant Model, AIM) vor, das die Gesichtserkennung unter realen Bedingungen mit drei ausgeprägten Neuerungen unterstützt. Erstens präsentiert AIM eine neuartige vereinte tiefe Architektur, die die Synthese und Erkennung von Gesichtern über verschiedene Altersstufen hinweg in einem gegenseitig fördernden Prozess durchführt. Zweitens erreicht AIM kontinuierliche Gesichtsjugendlichkeit/Verjüngung mit bemerkenswerten fotorealistischen und identitätsbewahrenden Eigenschaften, wodurch das Verlangen nach gepaarten Daten und dem tatsächlichen Alter der Testproben vermieden wird. Drittens entwickeln wir effektive und innovative Trainingsstrategien für das end-to-end Lernen der gesamten tiefen Architektur, die leistungsfähige altersinvariante Gesichtsdarstellungen explizit vom Altersunterschied trennt. Darüber hinaus schlagen wir einen neuen groß angelegten Datensatz für altersinvariante Gesichtserkennung (Cross-Age Face Recognition, CAFR) als Benchmark vor, um bestehende Bemühungen zu fördern und die Grenzen der Forschung zur altersinvarianten Gesichtserkennung weiter vorzuverschieben. Umfangreiche Experimente sowohl auf unserem CAFR-Datensatz als auch auf mehreren anderen altersübergreifenden Datensätzen (MORPH, CACD und FG-NET) zeigen die Überlegenheit des vorgeschlagenen AIM-Modells gegenüber den bisherigen Stand der Technik. Die Benchmarks unseres Modells auf einem der beliebtesten unbeschränkten Datensätze zur Gesichtserkennung (IJB-C) bestätigen zudem die vielversprechende Generalisierungsfähigkeit des AIM bei der Erkennung von Gesichtern unter realen Bedingungen.