图像合成是计算机视觉领域的研究热点,人脸图像衰老合成属于图像合成中的风格迁移任务。传统的人脸图像衰老合成算法往往需要图像对或者图像序列作为训练样本,并且需要人工设计图像特征,因此算法的设计十分困难。由于条件生成对抗网络的提出,人脸图像与年龄的条件分布更加容易学习,并且合成图像的质量进一步提高。结合自编码器与生成对抗网络的人脸图像衰老合成算法能够利用编码器提取图像的特征,再使用条件生成对抗网络将特征映射到目标图像,实现人脸衰老任务。但是该类算法仍存在年龄准确度不高、网络结构复杂、身份信息丢失和高年龄段图像细节不丰富等问题。针对这些问题,本文分别使用以下方法进行改进:(1)针对合成图像年龄准确度不高的问题,基于聚类原理为编码器提取的图像特征增加聚类监督,使得编码器能够将相同身份的图片编码至相邻的空间,以滤除隐特征中与身份无关的干扰信息。同时对聚类损失的构造进行了详细的推导,并进行了相应的年龄估计与人脸识别实验以验证算法的有效性。实验结果表明,改进后的算法提高了合成图像年龄的准确性。(2)针对算法网络结构复杂,图像身份信息丢失的问题,本文使用了一种基于特征学习生成对抗网络的结构进行改进,同时引入了图像在特征空间的距离损失,该损失对图片的噪声不敏感,能够更好地保留身份信息,增加模型的鲁棒性。基于特征学习生成对抗网络的方法框架简洁,并且功能明确,训练过程稳定。实验结果证明该方法能提升人脸图像衰老合成的年龄准确度,同时更好地保留输入图像的身份信息。(3)针对高年龄段合成图像纹理细节不丰富的问题,尝试增加网络的复杂度,使用深度残差网络对人脸衰老任务进行探讨性实验。同时为了更好地保留身份信息,在范数损失的基础上,引入特征向量间的皮尔森相关系数损失。通过增强输入特征向量与输出特征向量的相关性,使得图像信息能够更好地保留。实验结果证明残差模块的引入,使得模型在高年龄段的年龄准确度得到提升;皮尔森相关系数损失的引入,可以帮助网络更好地保留身份信息。