Face Aging with Conditional Generative Adversarial Network 论文笔记
2017.02.28
Motivation：
本文是要根据最新的条件产生式对抗玩网络（CGANs）来完成，人类老年照片的估计。
主要是做了一下两个事情：
1. 根据年龄阶段，进行照片的老年估计，用 acGAN 网络来完成；
2. 提出一种 隐层变量优化算法（latent vector optimization approach），允许 acGAN 可以重构输入人脸图像，与此同时，保留原本人脸的个体。
猛地一看，这个流程图，其实是挺迷惑人的，我感觉。
按照上述流程图，来看看作者想要达到什么效果：
1. 首先给定一张输入图像 x ，假设年龄记为 y0，找到一个最优的隐层向量 z*，使得可以产生一个重构的人脸 x-，尽可能的和初始的人脸尽可能的相似。
2. 给定一个目标年龄 $y_{target}$，产生一张结果人脸图像 $x_{target} = G(z*, y_{target})$，简单的完成年龄的切换。
其实，这个文章是做了这么一个事情：
结合 条件产生式对抗网络 和 隐层向量之间的loss 来完成整个网络的训练。
首先，作者是在给定一张图像的基础上，进行人脸的老化估计。作者这里考虑了 输入随机 noise 对最终结果的影响。
自己随机的产生了一堆 noise Z，然后在条件--->> 年龄这个标签的条件下，利用对抗网络生成许多伪造的 image ；
由于是自己根据 noise z 生成的，这里相当于是 已经有了 groundtruth，我们训练一个 encode 网络，将输入的人脸图像，估计其 编码后的 向量 z* ；
通过不断地训练，可以得到 能够预测图像隐层编码的网络 Encoder 。
其次，我们文章的一个很重要的卖点在于，可以保持生成图像和输入图像是 相同的身份，是同一个人，那么，这里是怎么做到的呢？
因为我们知道，GAN 生成的数据，一般都是看起来有模有样，但是实际上是很难控制输出什么的。
本文之所以可以做到这一点，就是因为，在生成图像的过程中，加入了隐层变量 z 之间的 loss，即：
这样在生成图像过程中，考虑生成的图像和原始输入图像之间的隐层向量 z 之间的差距，尽可能的小，就可以将这个事情 model 的非常好！
总结起来就是，在生成图像的过程中，首先学习一个编码网络，可以预测图像的隐层变量。然后在 GAN 过程中，加入这个 loss，作为衡量输出图像质量好坏的一个标准。
这样，生成的人脸图像，不但可以尽可能的和原始图像保持是同一个人，另外，又可以，在条件 年龄的基础上，生成对应年龄阶段的人脸图像。
大致就是这么个流程。有任何疑问，请发邮件与我联系！ wangxiaocvpr@foxmail.com