[论文解读] Personalized Age Progression with Aging Dictionary

Xiangbo Shu, Jinhui Tang+3 more|arXiv (Cornell University)|Oct 22, 2015

Face recognition and analysis参考文献 33被引用 19

一句话总结

本文提出了一种使用年龄组特定词典的个性化年龄演化方法，将面部老化分解为一般老化层（例如皱纹）和个性化层（例如痣），并通过相邻年龄组的短期人脸对进行学习。该方法在个性化老化合成方面表现优异，并通过将等错误率降低高达8.53%，提升了跨年龄人脸识别性能。

ABSTRACT

In this paper, we aim to automatically render aging faces in a personalized way. Basically, a set of age-group specific dictionaries are learned, where the dictionary bases corresponding to the same index yet from different dictionaries form a particular aging process pattern cross different age groups, and a linear combination of these patterns expresses a particular personalized aging process. Moreover, two factors are taken into consideration in the dictionary learning process. First, beyond the aging dictionaries, each subject may have extra personalized facial characteristics, e.g. mole, which are invariant in the aging process. Second, it is challenging or even impossible to collect faces of all age groups for a particular subject, yet much easier and more practical to get face pairs from neighboring age groups. Thus a personality-aware coupled reconstruction loss is utilized to learn the dictionaries based on face pairs from neighboring age groups. Extensive experiments well demonstrate the advantages of our proposed solution over other state-of-the-arts in term of personalized aging progression, as well as the performance gain for cross-age face verification by synthesizing aging faces.

研究动机与目标

• 为解决现有方法在年龄演化过程中往往无法保持个性化面部特征（例如痣）的挑战。
• 开发一种从短期人脸对（例如11–15岁至16–20岁）中学习老化模式的方法，而非依赖长期老化序列。
• 实现在给定输入人脸的基础上，准确、逐步地推进至未来年龄组，同时保持个体身份特征。
• 通过使用所提方法合成逼真的老化人脸，提升跨年龄人脸识别性能。

提出的方法

• 将每张人脸分解为老化层（动态，与年龄相关的改变，如皱纹）和个性化层（静态，不变特征，如痣）。
• 学习年龄组特定的词典，使得同一索引下各年龄组的词典基构成单一老化过程模式。
• 使用个性感知的耦合重构损失，仅通过相邻年龄组的人脸对，同时训练所有老化词典。
• 应用稀疏编码，将老化层表示为老化模式的线性组合，以最小化模糊和冗余。
• 通过组合从学习模式重构的老化层和不变的个性化层，合成未来年龄的人脸。
• 采用基于DeepID2的深度卷积神经网络进行人脸识别，以评估合成老化人脸的真实感和实用性。

实验结果

研究问题

• RQ1 个性化年龄演化方法能否在年龄过渡过程中保持如痣或胎记等独特面部特征？
• RQ2 如何仅使用相邻年龄组的短期人脸对，而非长期序列，有效建模老化模式？
• RQ3 与最先进方法相比，所提方法在跨年龄人脸识别性能上的提升程度如何？
• RQ4 能否利用跨年龄组的共享稀疏表示，实现多个老化词典学习的耦合，同时保持个体身份？
• RQ5 在训练中使用估计的年龄标签而非真实标签，是否能在实际应用中实现更逼真的老化合成？

主要发现

• 当使用估计年龄标签时，所提方法在跨年龄人脸识别中的等错误率（EER）降低至8.53%，优于基线方法Original Pairs（14.89%）和IAAP方法（10.91%）。
• 在使用估计年龄标签时，该方法相比IAAP方法在EER上提升了1.63%，证明了其在真实感和泛化能力上的优越性。
• 经验证，使用所提方法合成的老化人脸比IAAP方法更接近真实值，体现在验证任务中更低的EER。
• 个性感知的耦合重构损失使仅使用短期人脸对即可有效联合训练老化词典，避免了对长期序列的依赖。
• 该方法成功保留了如痣等个性化面部特征在年龄演化过程中的稳定性，如可视化和定量验证结果所示。
• 使用面部属性识别系统估计的性别和年龄信息，相比使用真实标签，性能更优，表明对实际输入变化具有更强鲁棒性。