Look Across Elapse: 年齢不変顔認識のための解離表現学習と写実的なクロスエイジ顔合成

顔認識関連技術における著しい進歩にもかかわらず、年齢を跨いでの顔の信頼性ある認識は依然として大きな課題となっています。人間の顔の外見は時間とともに大幅に変化し、クラス内での大きな変動を引き起こします。現在の年齢不変顔認識技術は、直接年齢不変特徴量を抽出する方法や、まず目標の年齢に一致する顔を合成してから特徴量を抽出する方法がありますが、我々はこれらのタスクを共同で行うことがより望ましいと主張します。これにより、両者が互いに活用できるようになります。この目的のために、我々は野外環境での顔認識用に3つの独自性を持つ深層学習に基づくAge-Invariant Model（AIM）を提案します。第一に、AIMは新しい統合型深層アーキテクチャを提示し、相互補完的な方法で異年代顔合成と認識を共同で行います。第二に、AIMは優れた写実性と同一性保持特性を持つ連続的な顔若返り/老化を達成し、ペアデータやテストサンプルの真の年齢が必要ないことを可能にします。第三に、全体的な深層アーキテクチャのエンドツーエンド学習のために効果的かつ新しい訓練戦略を開発しました。これにより、年齢変動から明確に分離された強力な年齢不変顔表現が生成されます。さらに、既存の努力を支援し、年齢不変顔認識研究のフロンティアを推進するために、大規模なCross-Age Face Recognition（CAFR）ベンチマークデータセットを提案します。当社のCAFRおよび他の複数の異年代データセット（MORPH, CACD, FG-NET）における広範な実験結果は、提案したAIMモデルが最先端技術に対して優れていることを示しています。また、最も人気のある制約なし顔認識データセットIJB-Cでのベンチマーク評価により、野外環境での顔認識においてAIMが有望な汎化能力を持っていることが確認されました。