一个利用GANs和视觉变换器的统一框架，用于实现年龄不变的人脸识别

《IEEE Open Journal of the Computer Society》：A Unified Framework for Age-Invariant Face Recognition Using GANs and Vision Transformers

　　

摘要：

由于面部特征会随时间发生显著变化，年龄不变的脸部识别（Age-invariant face recognition，AIFR）在计算机视觉领域始终是一个难以解决的问题。现有方法通常通过生成式年龄模拟、对比嵌入对齐或特征解耦等方式来处理这一问题，但在跨数据集评估时，这些方法在泛化能力和身份保持方面存在不足。这一局限性凸显了需要一个统一框架的必要性，该框架能够将这些互补策略的优势整合到一个连贯的处理流程中。在这项工作中，我们提出了一个统一的深度学习框架，该框架结合了基于CycleGAN的年龄模拟、对比学习以及通过多种主干网络（包括ResNet、EfficientNet和Vision Transformers，ViT）进行的深度特征提取。所提出的方法使用了一个具有共享权重的孪生网络，每个分支包含一个预训练好的固定主干网络和一个MLP投影头，并通过对比损失进行训练以实现身份相似性的估计。该框架旨在同时实现图像的真实感、表示的鲁棒性和跨数据集的泛化能力。在UTKFace、MORPH和FG-NET数据集上的实验表明，我们的方法在学习鲁棒的、年龄不变的脸部表示方面非常有效。我们发现，在非统一框架下的模型在MORPH数据集上的准确率分别为98.92%和99.14%，但在FG-NET数据集上进行零样本泛化时，准确率分别下降到53.49%和52.89%。相比之下，所提出的统一框架在FG-NET数据集上的准确率分别保持在80.55%和80.08%，泛化差距减少了27%以上，并展示了强大的跨年龄性能。这些结果强调了需要一个统一框架来实现年龄不变脸部识别中的鲁棒跨数据集泛化。