Synthetic Face Ageing: Evaluation, Analysis and Facilitation of Age-Robust Facial Recognition Algorithms

能够准确识别个体的面部特征并考虑人类的衰老因素对各个私人和政府部门具有重要意义，例如海关和公安局、护照办公室和国家数据库系统。因此，开发一个强大的年龄不变的面部识别系统对于解决衰老带来的挑战并保持面部识别技术的可靠性和准确性至关重要。本研究的重点是探索利用合成衰老数据提高面部识别模型的鲁棒性的可行性，从而有助于在更广泛的年龄间隔内识别人员。为了实现这一目标，我们首先设计了一系列实验，评估最先进的合成衰老方法。在下一阶段，我们利用合成衰老数据和真实衰老数据进行严格的训练和验证，探讨年龄间隔对当前基于深度学习的面部识别算法的影响。此外，这些合成年龄数据已被用于促进面部识别算法。实验结果表明，在年龄差距为40岁的图像上测试时，使用合成衰老图像训练的模型的识别率比基线模型的结果高3.33％，证明了合成年龄数据提高年龄不变的面部识别系统性能的潜力。

本论文旨在探索利用合成老化数据来改善面部识别模型的鲁棒性，以实现更广泛的年龄间隔内的人脸识别。

论文的关键思路是使用合成老化数据来训练深度学习模型，以提高面部识别的鲁棒性。实验结果表明，使用合成老化数据训练的模型在测试40年年龄差异的图像时，识别率比基准模型高出3.33％。

论文设计了一系列实验来评估最先进的合成老化方法，并使用真实老化数据和合成老化数据对当前的深度学习面部识别算法进行训练和验证。实验结果表明，使用合成老化数据训练的模型具有更高的识别率。论文的实验数据和代码已开源。

最近的相关研究包括：1. “Age Progression/Regression by Conditional Adversarial Autoencoder”；2. “Deep Convolutional Neural Networks for Face Recognition with Occlusion and Illumination Variations”；3. “Age-Invariant Face Recognition Using a Hierarchical Autoencoder”等。