시간을 넘어서: 연령 불변 얼굴 인식을 위한 분리된 표현 학습 및 사진 같은 크로스-에이지 얼굴 합성

얼굴 인식 관련 기술에서 놀라운 진보가 이루어졌음에도 불구하고, 나이에 따른 얼굴 인식의 신뢰성 확보는 여전히 큰 도전과제로 남아 있습니다. 인간의 얼굴은 시간이 지남에 따라 상당히 크게 변화하여 동일한 개인 간에도 유의미한 차이를 보입니다. 현재의 나이 불변 얼굴 인식 기술들은 either 직접 나이와 무관한 특징을 추출하거나, 또는 먼저 목표 나이에 맞는 얼굴을 합성한 후 특징을 추출하는 방식으로 작동합니다. 우리는 이러한 두 작업을 동시에 수행하여 서로를 활용하는 것이 더 바람직하다고 주장합니다. 이를 위해, 우리는 세 가지 독특한 혁신성을 가진 와일드 환경에서의 얼굴 인식을 위한 깊은 나이 불변 모델(AIM)을 제안합니다.첫째, AIM은 나이를 초월한 얼굴 합성과 인식을 상호 강화 방식으로 공동으로 수행하는 새로운 통합된 깊은 구조를 제시합니다. 둘째, AIM은 탁월한 사진적 사실감과 정체성 유지 속성을 갖춘 연속적인 얼굴 젊어지기/노화 과정을 달성하며, 이는 테스트 샘플들의 짝지어진 데이터나 실제 나이를 요구하지 않습니다. 셋째, 우리는 전체 깊은 구조를 end-to-end로 학습하기 위한 효과적이고 혁신적인 훈련 전략들을 개발하였으며, 이는 나이 변동에서 명시적으로 분리된 강력한 나이 불변 얼굴 표현들을 생성합니다.또한, 우리는 기존 연구를 지원하고 나이 불변 얼굴 인식 연구의 경계를 넓히기 위해 대규모 크로스-에이지(Cross-Age) 얼굴 인식 벤치마크 데이터셋인 CAFR(Cross-Age Face Recognition)를 제안합니다. 우리의 CAFR 데이터셋뿐만 아니라 다른 여러 크로스-에이지 데이터셋(MORPH, CACD 및 FG-NET)에서 수행된 광범위한 실험들은 제안된 AIM 모델이 최신 기술들보다 우수함을 입증하였습니다. IJB-C라는 가장 인기 있는 비제약적(unconstrained) 얼굴 인식 데이터셋 중 하나에서 우리 모델의 벤치마킹은 AIM이 와일드 환경에서의 얼굴 인식 능력에 있어 유망한 일반화 가능성을 확인해주었습니다.