人脸老化合成是指利用计算机技术分析自然人脸图像中年龄特征,渲染出个体在目标年龄下的衰老样貌,也叫年龄合成或年龄递进。人脸老化合成技术在人脸识别、人机交互、刑侦、娱乐及医学等领域有着非常广泛的应用。随着深度学习理论的发展,以深度学习网络为工具,构建从人脸图像像素值到高层次衰老特征的网络模型,较传统人脸老化合成方法可以得到更自然、更逼真、更合理的老化效果,相关人脸老化合成研究具有重要的意义。当前,基于深度学习的人脸老化合成面临着面部衰老特征描述困难、衰老模态单一、低分辨率输入引起的老化人脸图像失真等研究难点。本文针对上述问题,研究工作和创新成果如下:(1)提出了基于分治策略的小年龄人脸老化合成算法小年龄人脸在成长过程中,面部特征受内在因素的影响同时出现形状变化和纹理变化。针对上述问题,本文提出的基于分治策略的小年龄人脸老化合成算法设计了并行的几何形变生成对抗网络和纹理迁移生成对抗网络。在几何形变生成对抗网络中,本文利用面部形状定位点信息来描述当前输入人脸图像的几何特征,并使用生成对抗思想学习面部轮廓、面部器官的几何成长形变;在纹理迁移生成对抗网络中,预训练的年龄预测模型被用作面部纹理显著性区域的识别,进而在显著性区域的指导下模拟面部纹理生成。最后,使用翘曲函数将老化纹理映射至预测的目标年龄形状中,为婴幼儿人脸图像合成照片级真实的老化人脸。实验表明,该方法在小年龄面部形状及面部纹理的老化合成中具有优异的性能。(2)提出了基于面部信息解绑的多模态人脸老化合成算法受不同外界因素的影响,成年人面貌在衰老过程中具有多样性,即合成的老化人脸不唯一。当前基于深度学习的人脸老化合成算法缺乏对这一问题的研究。针对此问题,本文提出的算法考虑了面部衰老过程中所受影响的累积效应,通过面部图像信息的解绑与重组技术,获得潜空间中与年龄相关的衰老模态信息和与年龄无关的固有个性化特征,进而结合变分自编码器可以学习年龄相关的衰老模态特征在相应潜空间的分布。在此基础上,算法通过保持年龄无关信息的一致性,对目标年龄中衰老模态特征分布抽样可生成多模态的老化人脸。实验表明,该方法可以合成多样化的、高质量的、符合目标年龄的老化人脸。(3)提出了基于超分辨率重建的人脸老化图像合成算法基于深度学习的人脸老化合成算法对输入人脸图像质量具有较高的要求,而在实际场景中往往面临输入图像低分辨率的情况。针对此问题,本文提出的基于超分辨率的人脸老化方法,即先对低分辨率输入人脸图像进行超分辨率重建,进而渲染面部衰老特征得到合成的老化人脸。该算法的重点是基于人脸组件语义先验引导的人脸图像超分辨率重建方法,方法通过挖掘面部组件语义特征,设计位置引导的语义概率图,以调制仿射变化的方法将该语义信息引入基于最小二乘生成对抗网络的超分辨率重建网络中;此外,在判别网络中设计了多判决支路,兼顾判断生成图片真伪与区域组件的语义类别,使其在细粒度上辅助生成网络学习低分辨率到高分辨率的映射。实验表明,该方法中人脸超分辨率重建算法在提升图像清晰度中表现优异,与直接对低分辨率输入进行老化合成相比,具有明显的真实度性能提升,有效的解决了低分辨率人脸图像信息缺失对老化合成结果的影响。综上,本文针对基于深度学习的人脸老化合成研究中的难点问题提出了有效的解决方案,对人脸老化合成领域的研究有着重要的参考价值。