新的人工智能模型可以在保留识别特征的同时改变面部图像的明显年龄

纽约大学坦顿工程学院的研究人员开发了一种新的人工智能技术，可以改变图像中人的表观年龄，同时保持其独特的识别特征，这是标准人工智能模型向前迈出的重要一步，标准人工智能模型可以使人看起来更年轻或更老，但不能保留他们的个人生物识别标识。

在一篇发表在预印本服务器arXiv上并将在IEEE国际生物识别学 联合会议(IJCB)上发表的论文中，论文的第一作者、计算机科学与工程系(CSE)的研究助理教授Sudipta Banerjee和他的同事们训练了一种生成式人工智能模型——一种潜在扩散模型——“知道”如何进行身份保留年龄转换。

为了做到这一点，banerjee与CSE博士候选人Govind Mittal和博士研究生Ameya Joshi在CSE副教授Chinmay Hegde和CSE教授Nasir Memon的指导下，克服了这类工作中的一个典型挑战，即收集大量由个人多年来的图像组成的训练数据。

相反，该团队用一小组个人的图像来训练模型，以及一组单独的图像，这些图像的标题表明了所代表的人的年龄类别:儿童、青少年、年轻人、中年、老年人或老年人。这组照片包括了名人一生的照片。

该模型学习了识别第一组个体的生物特征。这些标注了年龄的图片教会了模型图像和年龄之间的关系。经过训练的模型可以通过使用文本提示符指定目标年龄来模拟衰老或去衰老。

研究人员采用了一种名为“DreamBooth”的方法，通过结合神经网络组件逐渐修改人脸图像，从而编辑人脸图像。该方法包括在考虑底层数据分布的同时，对图像添加和去除噪声(随机变化或干扰)。

该方法利用文本提示和类标签来指导图像生成过程，重点是维护特定于身份的细节和整体图像质量。利用各种损失函数对神经网络模型进行微调，并通过生成具有年龄相关变化和背景变化的人脸图像的实验验证了该方法的有效性。

研究人员将他们的方法与其他现有的年龄修改方法进行了测试，他们让26名志愿者将生成的图像与该人的实际图像进行匹配，并使用ArcFace面部识别算法。他们发现他们的方法优于其他方法，错误拒绝率降低了44%。