用条件对抗式自动编码器进行人脸老化、退龄
该代码是对论文《用条件对抗式自动编码器进行人脸老化、退龄》中算法的Tensorflow实现。
环境要求
- Python 3.5
- Scipy
- TensorFlow (r1.5)
训练数据集
准备训练数据集
你可以使用任何带年龄标签和性别标签的数据集。在该demo中，我们使用了UTKFace数据集。用这种对齐并裁剪过的人脸照片更好一些。需要先将UTKFace.tar.gz数据集文件保存并展开到data目录下。
训练
$ python main.py
训练过程在NVIDIA Geforce GTX 1060 6GB上进行了测试。在UTKFace数据集(23708张128x128x3大小的图像) 上进行50轮训练的时间大约是四个小时。
在训练过程中，会建立一个新目录save，包括四个子目录：summary, samples, test 和 checkpoint.
samples保存每轮训练之后重建的人脸。test保存每轮训练之后的测试结果（基于输入的人脸生成的不同年龄的人脸）。checkpoint保存模型。summary保存batch-wise losses和中间输出。
用以下命令来可视化summary,
$ cd save/summary
$ tensorboard --logdir .
训练之后，可以在 samples 和 test 目录中看到重建和测试效果。下图展示了重建（左）和测试（右）的结果。重建结果（左）的第一行是测试样例，他们分别对应的测试结果（右）由上到下按年龄增长顺序排列。
重建损失和训练轮数的关系见下图, 为了可视化的目的我们对它进行了低通滤波。原始记录保存在summary目录中。
测试
测试目录中的图片默认不能少于10张，必须是jpg类型，图像裁剪位置尽量和数据集保持一致。
$ python main.py --is_train=False --testdir your_image_dir
输入命令之后，应该显示出下面的信息。
Building graph ...
Testing Mode
Loading pre-trained model ...
SUCCESS ^_^
Done! Results are saved as save/test/test_as_xxx.png
具体来说，测试人脸会进行两次处理，这两次分别将其视作男性和女性。因此，保存的文件会分别命名为test_as_male.png（作为男性测试） 和 test_as_female.png（作为女性测试）。如果想实现更好的结果，需要在更大并更多样化的数据集上进行训练。
训练过程演示
第一行显示了输入的不同年龄的人脸，其他行显示了每轮训练之后输出的人脸。输出的人脸由上到下按年龄递增顺序排列。
文件说明
FaceAging.py建立并初始化模型的类，实现训练和测试的相关功能。ops.py提供函数由FaceAging.py文件调用，实现卷积，反卷积，全卷积，leaky ReLU激活函数，下载并保存图像等操作。main.py用于演示FaceAging.py的功能。
引用
Zhifei Zhang, Yang Song, and Hairong Qi. "Age Progression/Regression by Conditional Adversarial Autoencoder." IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017.
@inproceedings{zhang2017age,
title={Age Progression/Regression by Conditional Adversarial Autoencoder},
author={Zhang, Zhifei and Song, Yang and Qi, Hairong},
booktitle={IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
year={2017}
}