Learning Face Age Progression: A Pyramid Architecture of GANs

前言

       做爲IP模式識別的CNN初始模型是做爲單純判別式-模式識別存在的，並以此爲基本模型擴展到各個方向。基本功能爲圖像判別模型，此後基於Loc+CNN的檢測模型-分離式、end2end、以及MaskCNN模型，然後出現基於CNN的預測模型-AcGans。

       CNN做爲一個基本判別式模型簡化爲數學模型依然爲一個函數映射f(x)->y;  基於CNN的檢測模型數學模型爲 L(x)+f(x)->y,其中L(x)依然爲判別式，給出loc信息，二維的爲(y1,y2)點對；  基於CNN的Mask給出每一個Pixel的類別信息，數學模型能夠簡化爲 k(x).f(x)—k(x).y，其中K(x)爲一個與點位置線性相關的函數；

       到了AcGans, 例如基於年齡的預測，CNN爲其組成部分之一，而生成式爲主要目的服務，數學模型能夠簡化爲g( f0(f2)*f2(x) )—y，把一個判別式f(x)分離爲維持不變性的 f0(x)和用於分離的 f2(x)，其中f0(x)知足生成式約束不變性， f2(x)知足特徵提取-數據輸入不變性約束，以知足使用數據完成訓練生成模型所要求，以及處理輸入的特徵提取模型。

       經過訓練的模型，數據流爲f2(x)*X—>f2(X),經過特徵提取函數，生成紋理特徵； f0*f2(X)—>f0(f2(X)

...........................................

簡介

參考：CVPR2018值得一看的25篇論文....

intro 和 related works 主要講了現有方案大多將年齡信息優先而 identity 信息次之，換句話說，就是生成不一樣年齡的同時，identity 信息不能很好保留。

Generator 部分不作介紹，無亮點，本文亮點在 loss 部分和特徵提取器的跨級並聯結構上。

文中提出了特徵提取器用於提出特定特徵，緣由是做者認爲相同年齡段的不一樣人臉有着相同的的紋理等特定信息，而這個提取器就是提取出這些特徵。此外，該分類器是通過 age 分類任務預訓練好了的。

文中和今年不少思路同樣，考慮到了 low-level 和 high-level 信息，將第 二、四、7 等層信息 concat 起來，做爲 d 的輸入。

identity 信息的保留和上一個 extractor 相似，在人臉分類數據集上預訓練，而後拿來直接當 extractor。

     獨立訓練最優G和D，而後獲得G學習到一個年齡變換，D做爲一個可靠的分類函子。