Face Aging with Conditional Generative Adversarial Network 論文筆記
2017.02.28
Motivation：
本文是要根據最新的條件産生式對抗玩網絡（CGANs）來完成，人類老年照片的估計。
主要是做了一下兩個事情：
1. 根據年齡階段，進行照片的老年估計，用 acGAN 網絡來完成；
2. 提出一種 隐層變量優化算法（latent vector optimization approach），允許 acGAN 可以重構輸入人臉圖像，與此同時，保留原本人臉的個體。
猛地一看，這個流程圖，其實是挺迷惑人的，我感覺。
按照上述流程圖，來看看作者想要達到什麼效果：
1. 首先給定一張輸入圖像 x ，假設年齡記為 y0，找到一個最優的隐層向量 z*，使得可以産生一個重構的人臉 x-，盡可能的和初始的人臉盡可能的相似。
2. 給定一個目标年齡 $y_{target}$，産生一張結果人臉圖像 $x_{target} = G(z*, y_{target})$，簡單的完成年齡的切換。
其實，這個文章是做了這麼一個事情：
結合 條件産生式對抗網絡 和 隐層向量之間的loss 來完成整個網絡的訓練。
首先，作者是在給定一張圖像的基礎上，進行人臉的老化估計。作者這裡考慮了 輸入随機 noise 對最終結果的影響。
自己随機的産生了一堆 noise Z，然後在條件--->> 年齡這個标簽的條件下，利用對抗網絡生成許多僞造的 image ；
由于是自己根據 noise z 生成的，這裡相當于是 已經有了 groundtruth，我們訓練一個 encode 網絡，将輸入的人臉圖像，估計其 編碼後的 向量 z* ；
通過不斷地訓練，可以得到 能夠預測圖像隐層編碼的網絡 Encoder 。
其次，我們文章的一個很重要的賣點在于，可以保持生成圖像和輸入圖像是 相同的身份，是同一個人，那麼，這裡是怎麼做到的呢？
因為我們知道，GAN 生成的資料，一般都是看起來有模有樣，但是實際上是很難控制輸出什麼的。
本文之是以可以做到這一點，就是因為，在生成圖像的過程中，加入了隐層變量 z 之間的 loss，即：
這樣在生成圖像過程中，考慮生成的圖像和原始輸入圖像之間的隐層向量 z 之間的差距，盡可能的小，就可以将這個事情 model 的非常好！
總結起來就是，在生成圖像的過程中，首先學習一個編碼網絡，可以預測圖像的隐層變量。然後在 GAN 過程中，加入這個 loss，作為衡量輸出圖像品質好壞的一個标準。
這樣，生成的人臉圖像，不但可以盡可能的和原始圖像保持是同一個人，另外，又可以，在條件 年齡的基礎上，生成對應年齡階段的人臉圖像。
大緻就是這麼個流程。有任何疑問，請發郵件與我聯系！ [email protected]