摘要：最近的研究表明生成对抗网络（GAN）可以产生特别好的视觉保真度（visual fidelity）的合成图像。在这项工作中，我们提出了基于生成对抗网络的自动面部老化（automatic face aging）方法。与之前运用生成对抗网络改变面部特征的工作相反，我们特别强调保存面部老化版本与原来的人的同一性。最后，我们介绍了一种生成对抗网络 latent vectors 的「Identity-Preserving」优化的全新方法。通过当前最佳的面部识别和年龄评估方案，对得到的老化和年轻化的面部图像的客观评价证明了被提出方法的巨大潜力。
图 1 我们的面部老化方法。（a）用于重建输入图像的 latent vectors 的近似；（b）在生成器 G 输入以执行面部老化时切换年龄状况。
图 2 我们的 acGAN 使用两个随机 latent vectors z（行）和各自限制的年龄类别 y（列）生成的合成图像的样本
图 3 面部重建与老化的样例。（a）原始测试图像，（b）使用最初 latent approximations 生成的重建图像：z0，（c）使用「Pixelwise」和「Identity-Preserving」优化的 latent approximations 生成的重建图像：z pixel 与 z IP，和（d）通过「Identity-Preserving」z IP latent approximations 和各自限制的年龄分类 y（每列一个）生成的重建图像的老化
