Regarder à travers le temps : Apprentissage de représentations dissociées et synthèse photoréaliste de visages à travers les âges pour une reconnaissance faciale invariante à l'âge

Malgré les progrès remarquables réalisés dans les technologies liées à la reconnaissance faciale, l'identification fiable des visages à travers les âges reste un défi majeur. L'apparence d'un visage humain change considérablement au fil du temps, entraînant des variations importantes au sein de la même classe. Contrairement aux techniques actuelles de reconnaissance faciale invariante à l'âge, qui soit extraient directement des caractéristiques invariantes à l'âge pour la reconnaissance, soit synthétisent d'abord un visage correspondant à l'âge cible avant d'extraire les caractéristiques, nous soutenons qu'il est plus souhaitable d'effectuer ces deux tâches conjointement afin qu'elles puissent s'entraider. À cette fin, nous proposons un modèle profond d'invariance à l'âge (AIM) pour la reconnaissance faciale dans des conditions réelles, avec trois innovations distinctes. Premièrement, AIM présente une nouvelle architecture profonde unifiée effectuant conjointement la synthèse et la reconnaissance faciales inter-âges de manière mutuellement renforçante. Deuxièmement, AIM réalise un rajeunissement/facial aging continu avec des propriétés photoréalistes et préservant l'identité remarquables, évitant ainsi le besoin de données appariées et de connaître l'âge réel des échantillons de test. Troisièmement, nous développons des stratégies d'entraînement efficaces et innovantes pour l'apprentissage end-to-end de toute l'architecture profonde, générant des représentations faciales puissantes explicitement dissociées de la variation liée à l'âge. De plus, nous proposons un nouveau jeu de données d'évaluation large échelle pour la reconnaissance faciale inter-âges (CAFR) afin de faciliter les efforts existants et de pousser les frontières de la recherche en reconnaissance faciale invariante à l'âge. Des expériences approfondies sur notre CAFR et plusieurs autres jeux de données inter-âges (MORPH, CACD et FG-NET) démontrent la supériorité du modèle AIM proposé par rapport aux méthodes actuelles les plus avancées. Le benchmarking de notre modèle sur l'un des jeux de données les plus populaires pour la reconnaissance faciale non contrainte (IJB-C) confirme également la prometteuse généralisabilité de AIM dans la reconnaissance faciale dans des conditions réelles.