FACE AGING WITH CONDITIONAL GENERATIVE ADVERSARIAL NETWORKS
文章用於生成不同年齡的圖片,採用的模型是條件對抗網路,主要創新點是,首先通過一個網路,提取影象特徵向量,並通過身份保持網路,優化影象的特徵向量,特到特徵向量
特徵向量優化網路結構如下,
網路的訓練資料為,輸入影象x,以及該影象的年齡
1.indetiry preserving optimization(身份保持優化)
身份保持的思想是對於同一張圖片,不管是任何年齡端,他都是輸入同一個人,如果直接採用特徵向量
由圖b所示,直接採用特徵向量
優化為初始化
2.CGAN
將優化後的特徵向量
對於年齡,分為6個年齡段,分別為0-18,19-29,30-39,40-49,50-59,60+,每個年齡端對應一個年齡一個特徵向量,具體為一個6維的one-hot向量.
CGAN網路的生成網路G,判別網路D結構與文獻15相同,具體可以參考http://friskit.me/2017/04/05/read-paper-unsupervised-representation-learning-with-deep-convolutional-generative-adversarial-networks/.
同時在生成網路的輸入,以及判別網路的第一個卷積層,插入條件資訊,這裡為年齡向量.
不同年齡段生成圖片效果: