DiverAge: Reliable Pluralistic Face Aging with Cross-Age Identity Relation Guidance
该论文提出了 DiverAge，一种基于扩散自编码的层级多元化人脸老化框架，该框架利用一种新颖的跨年龄身份关系调节器（CARR），在无需额外训练参数的情况下，同时确保外观层面的多样性和序列层面的序时可靠性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图预测一个人变老后的样子。在过去，计算机程序尝试通过从“现在”到“未来”画一条单一的直线来完成这项任务。它们会说：“如果你今天 20 岁，那么这就是你 40 岁时的确切样子。”但问题在于，生活并非那样可以预测。同一个人可能会以多种不同的方式变老，这取决于他们的基因、生活方式和环境。一个 40 岁的人可能满脸皱纹，而另一个人可能皮肤依然平滑。
这篇论文介绍了一个名为 DiverAge（多样化衰老）的新系统，它解决了现有技术的两个重大问题：
1. “一刀切”与“混乱”的问题
- 旧方法（确定性）： 这就像一台只能复印出一份副本的复印机。如果你要求它展示一个人 40 岁时的样子，它每次都会给出完全相同的脸。它错失了人类衰老过程中自然的差异性。
- “混沌”方式（现有的多元化方法）： 其他较新的方法试图通过生成许多不同的版本（多元化）来解决这个问题。然而，它们表现得像一个混乱的艺术家。它们可能会生成一个 40 岁人的四种不同版本，但如果你观察整个时间线（20 岁、30 岁、40 岁、50 岁），这些脸部可能会发生奇怪的跳跃。这个人到了 40 岁时看起来可能不像他 30 岁时的亲属。他们衰老的“故事”逻辑不通。
2. DiverAge 的解决方案：一位“聪明的讲故事的人”
DiverAge 就像一位理解两条规则的聪明讲故事的人：
- 多样性是好事： 在任何特定的年龄（比如 40 岁），这个人应该有不同的可能外观（这里有皱纹，那里有平滑的皮肤）。
- 故事必须合乎逻辑： 如果你将所有年龄从年轻到年老的图像排列在一起，这些脸部必须看起来像是同一个人在自然演变。他们在时间线中间不应该突然变成一个陌生人。
它是如何工作的（隐喻）
“扩散自编码器”（艺术家的画布）
将核心技术想象成一位画家，他从一张模糊的草图开始，逐渐将其精炼成一幅清晰的画作。这位画家天生具有“随机性”，这意味着如果你要求他两次画同一个场景，他会添加略微不同的细节（比如不同的皱纹或皮肤纹理）。这处理了多样性的部分。
“CARR”（带着规则书的编辑）
这是该论文的核心创新。想象你有一本基于真实生活数据（比如记录真实家庭成长过程的海量相册）的规则书。这本规则书会告诉计算机：“通常情况下，一个 30 岁的人与 35 岁时非常相似，但与 60 岁时相似度较低。”
该系统使用一种名为 CARR（跨年龄身份关系调节器）的工具：
- 它会同时观察所有正在生成的年龄阶段。
- 它会查阅“规则书”（称为 CIS 先验）来查看这些脸部是否偏离得太远。
- 如果计算机试图让 40 岁的样子看起来与 30 岁时过于不同（破坏了家族相似性），CARR 会温柔地引导图像回到正轨。
至关重要的是，这位编辑不需要重新训练画家。它只是在绘画过程中提供建议。
他们的发现
研究人员测试了 DiverAge，并发现：
- 它保持了多样性： 对于同一个年龄，你仍然可以得到不同的面貌（不同的皱纹、皮肤纹理）。
- 它修复了时间线： 从年轻到年老的脸部序列现在流动得非常自然。其“身份”保持一致，年龄之间的过渡感觉很真实，而不是突兀的跳跃。
- 它没有破坏基本特征： 脸部看起来依然真实，年龄准确，且此人看起来依然是其本人。
简而言之，DiverAge 教会了计算机，衰老不仅仅是改变一张脸；它是在讲述一个可靠的故事——在这个故事中，角色会以许多合理的方式发生变化，但在整个旅程中始终是同一个人。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。