基于条件对抗自编码器的年龄增长/退化

这是论文《基于条件对抗自编码器的年龄增长/退化》中算法的 TensorFlow 实现，论文链接：Age Progression/Regression by Conditional Adversarial Autoencoder。

特别感谢 Mattan Serry、Hila Balahsan 和 Dor Alt 提供的 PyTorch 实现。

系统要求

• Python 2.7.x

• Scipy 1.0.0

• TensorFlow (r0.12)

  • 请注意，使用 TensorFlow r1.0 运行时会出现错误，因为某些函数的参数定义发生了变化，例如 tf.concat 和 tf.nn.sigmoid_cross_entropy_with_logits。

• 代码现已更新至 TensorFlow 1.7.0，并提供了一个初始模型以更好地初始化网络。旧版本已备份至 old_version 文件夹。

数据集

• FGNET
• MORPH
• CACD
• UTKFace（可通过 Github 链接 或 Wiki 链接 获取）

准备训练数据集

您可以使用任何包含年龄和性别标签的数据集。本示例中我们使用 UTKFace 数据集。建议使用 对齐并裁剪过的人脸图像。请将 UTKFace.tar.gz 解压并保存到 data 文件夹中。

训练

$ python main.py

训练过程已在 NVIDIA TITAN X (12GB) 上测试完成。在 UTKFace 数据集上（23,708 张 128x128x3 的图像）进行 50 个 epoch 的训练大约需要两个半小时。

训练过程中会生成一个名为 save 的新文件夹，其中包含四个子文件夹：summary、samples、test 和 checkpoint。

• samples 文件夹保存每个 epoch 的重建人脸。
• test 文件夹保存每个 epoch 的测试结果（根据输入人脸生成的不同年龄段人脸）。
• checkpoint 文件夹保存模型。
• summary 文件夹保存批次级别的损失及中间输出。要可视化 summary 内容，可以运行：

$ cd save/summary
$ tensorboard --logdir .

训练完成后，您可以查看 samples 和 test 文件夹，分别观察重建和测试效果。下图展示了重建结果（左）和测试结果（右）。重建结果（左）的第一行是测试样本，对应的测试结果（右）按年龄由小到大排列。

下图显示了重建损失随 epoch 的变化趋势，为便于可视化已通过低通滤波处理。原始记录保存在 summary 文件夹中。

自定义训练

$ python main.py
    --dataset	默认值为 'UTKFace'。请将您的数据集放入 ./data 目录。
    --savedir	默认值为 'save'。建议使用有意义的名称，例如 save_init_model。
    --epoch	默认值为 50。
    --use_trained_model	默认值为 True。如果使用预训练模型，savedir 应指定模型名称。
    --use_init_model	默认值为 True。若加载预训练模型失败，则使用 ./init_model 中的初始模型。

测试

$ python main.py --is_train False --testdir your_image_dir --savedir save

注意：savedir 指定的是训练时保存的模型名称。默认情况下，训练好的模型会保存在 save 文件夹中（即模型名称）。

随后程序应输出以下信息：

  	构建图...

	测试模式

	加载预训练模型...
	成功 ^_^

	完成！结果已保存为 save/test/test_as_xxx.png

具体来说，测试图像会被分别视为男性和女性进行两次处理，因此保存的文件名分别为 test_as_male.png 和 test_as_female.png。为了获得更好的效果，有必要使用大规模且多样化的数据集进行训练。

训练过程演示

第一行显示不同年龄段的输入人脸，其余行展示了每隔一个 epoch 输出人脸的改进情况。从上到下，输出人脸的年龄依次递增。

文件说明

• FaceAging.py 是一个类，用于构建和初始化模型，并实现训练和测试相关功能。
• ops.py 包含被 FaceAging.py 调用的函数，用于实现卷积、反卷积、全连接、Leaky ReLU 以及图像的加载和保存等功能。
• main.py 用于演示 FaceAging.py 的使用。

引用

Zhifei Zhang、Yang Song 和 Hairong Qi。“基于条件对抗自编码器的年龄增长/退化”。IEEE 计算机视觉与模式识别会议 (CVPR)，2017 年。

@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}
}

Spotlight 演示视频

Face-Aging-CAAE 快速上手指南

Face-Aging-CAAE 是一个基于条件对抗自编码器（CAAE）的深度学习模型，用于实现人脸图像的年龄增长（老化）或年龄回归（年轻化）。本项目基于 TensorFlow 实现，支持通过输入人脸生成不同年龄段的模拟图像。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux 或 macOS (Windows 需配置相应 TensorFlow 环境)
• Python: 2.7.x
• GPU: 推荐 NVIDIA GPU (如 TITAN X)，显存建议 12GB 以上以加速训练
• 核心依赖:
  • TensorFlow: 版本需为 1.7.0 (注意：旧版 r0.12 已不再推荐，r1.0 会因函数定义变更报错)
  • Scipy: 版本 1.0.0

提示: 国内用户安装 TensorFlow 时可尝试使用清华或阿里镜像源加速： pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==1.7.0 scipy==1.0.0

安装步骤

1. 克隆代码库

   git clone <repository_url>
   cd Face-Aging-CAAE
   

2. 安装 Python 依赖 确保已安装上述指定版本的 TensorFlow 和 Scipy。

3. 准备数据集 本项目默认使用 UTKFace 数据集进行演示。

   • 下载对齐并裁剪过的人脸数据集 (UTKFace.tar.gz)。
   • 将解压后的文件夹重命名为 UTKFace 并放入项目根目录下的 data 文件夹中。
   • 最终路径结构应为：./data/UTKFace/...

   其他支持的数据集包括 FGNET, MORPH, CACD，只需调整数据加载逻辑即可。

基本使用

1. 训练模型

运行以下命令开始训练。默认使用 UTKFace 数据集，训练 50 个 epoch。

python main.py

训练说明：

• 训练过程中会自动创建 save 文件夹，包含以下子目录：
  • samples: 保存每个 epoch 的重建人脸。
  • test: 保存每个 epoch 基于输入人脸生成的不同年龄测试图。
  • checkpoint: 保存模型权重。
  • summary: 保存损失值和中间输出，可使用 TensorBoard 可视化：

    cd save/summary
    tensorboard --logdir .
    

• 在 NVIDIA TITAN X (12GB) 上，使用 23,708 张 128x128 图片训练 50 个 epoch 约需 2.5 小时。

2. 测试/推理 (年龄变换)

训练完成后（或使用预训练模型），对指定目录下的人脸图片进行年龄变换测试：

python main.py --is_train False --testdir your_image_dir --savedir save

参数说明：

• --testdir: 存放待测试人脸图片的文件夹路径。
• --savedir: 指定训练好的模型名称（默认为 save）。

输出结果： 程序会将输入图片分别作为男性和女性处理两次，生成两个结果文件：

• save/test/test_as_male.png
• save/test/test_as_female.png

图片中将展示从年轻到年老（或反之）的连续年龄变化序列。

3. 自定义训练参数

如需使用自定义数据集或调整训练策略，可参考以下常用参数：

python main.py \
    --dataset "YourDatasetName" \
    --savedir "save_my_model" \
    --epoch 100 \
    --use_trained_model False \
    --use_init_model True

• --dataset: 数据集名称，需将对应数据放入 ./data 目录。
• --savedir: 模型保存目录名。
• --epoch: 训练轮数，默认 50。
• --use_init_model: 若加载预训练模型失败，是否使用初始化的模型 (./init_model) 继续训练。