人工智能通过父母照片合成可能的子女面孔，深度学习亲缘关系生成

人工智能通过父母照片合成可能的子女面孔，深度学习亲缘关系生成摘要：在本文中，我们提出了一个亲缘关系生成器网络，可以通过分析他/她父母的照片来合成一个可能的子女面孔。 为此，我们专注于通过提出新颖的解决方案来处理整篇论文中亲缘关系数据集的稀缺性问题。 为了提取可靠的特征，我们将预先训练的脸部模型集成到亲属关系脸部生成器。 此外，生成器网络正规化与一个额外的人脸数据集和敌对损失，以减少过度拟合有限的样本。 ***，我们调整周期域转换以获得更稳定的结果。 在野外家庭（FIW）数据集上进行实验。 实验结果表明，与基准结构相比，文献中提供的贡献提供了重要的性能改进，并且我们提出的方法产生了有希望的感知结果。

人工智能通过父母照片合成可能的子女面孔，深度学习亲缘关系生成简介：人类的大脑可以通过分析面部部分的分化模式来验证照片中的亲属关系。这个特征是一个有力的证据，表明大脑如何令人着迷地复杂。最近，已经提出了大量方法来实现计算机进行亲缘关系验证，因为基于学习的深度模型已经显示出令人印象深刻的能力来从面部自动提取这些潜在模式[22,18,8]。特别是，这些方法胜过了人类为各种识别问题而获得的性能[17,22]。最终，模型的输出可用于识别失踪人员，子女/父母搜索以及追踪推荐服务的一些统计数据。然而，通过分析他们的父母照片来猜测可能的孩子的面孔，相反地，更直观地看待问题并不是激发作为原始问题（即识别和验证）的动机。就我们所知，解决这个问题的兴趣也很有限[10]，即使有几种有前途的方法可以从基于生成深度模型的大数据集合中合成人脸。

人工智能通过父母照片合成可能的子女面孔，深度学习亲缘关系生成贡献：总的来说，这个问题的目的（即合成亲属关系的面部）是，对于父母照片（母亲或父亲）的给定输入，一种方法通过利用潜伏面部来合成儿童最可能的面部展现在父母面前的特征。但是，模型的鲁棒性，特别是对于深度模型，强烈依赖于训练样本的数量和数据集的多样性。此外，目前可用的血缘关系验证数据集相当小，模型应根据此限制进行调整，以达到令人满意的结果。在本文中，我们提出了一个完全卷积网络（FCN），它利用编码器层的响应在潜在空间中变换父面，并迭代解码这些响应以重建可能的亲缘关系面。

为此，我们提出了三种新的对亲缘关系人脸合成的标准FCN的贡献：1）我们使用一个预先训练好的编码层网络，这个网络在大规模数据集上进行了人脸识别优化。最终，这允许我们提取更多鲁棒的隐藏特征，即使面数量有限的人脸模拟为人脸合成。 2）虽然使用编码层提供了几个优点，如人员识别的精度，但由于隐藏特征的大维度，解码层可以很容易地过度训练数据。最终，这个问题变得更加复杂，以推广针对不同面部情景的***解决方案。因此，我们利用大规模无监督数据的对抗性损失来缓解过度拟合及其泛化能力。3）***，我们采用循环域变换[27]（即从父母到孩子以及孩子到父母的变换），这导致更稳定的结果。本文的结构如下。首先，我们回顾关于人脸综合和亲属验证的文献，因为这些步骤是我们问题的两个主要基础。后来，提出的方法的细节被提出用于亲属合成。***，报告实验结果，并解释本文的***评论。

人工智能通过父母照片合成可能的子女面孔，深度学习亲缘关系生成相关工作：在本节中，人脸综合和亲属验证将被详细讨论，因为这是有效亲缘合成的两个关键要素。人脸综合：人脸综合的早期研究最初是为了从低分辨率图像中推测人脸幻觉来推断他们的高频细节[2,19]。在这些作品中，眼睛，山脉和对称等人脸的共同特征得到了特别的加强。然而，它们的主要限制是解决方案严格依赖于数据（即没有泛化能力）和自然图像流形学习（即记忆）可以坚持只将图像块从低分辨率转换到高分辨率的情况通过对***所有可能的解决方案进行平均。同样，基于自动编码器（AE）的方法对于解决方案也有类似的缺点。 [10]旨在通过基于AE推动面部动态（即表情）和视觉外观来生成亲属面孔，因此它能够将个人表情转移给未来的孩子。

变分自动编码器（VAE）[16]是通过根据编码器层的输入计算随机潜变量来合成图像的概率方式。因此，这实际上改进了模型的泛化，并获得了各种图像合成问题以及人脸的各种结果。然而，它仍然没有达到问题的复杂性（即，它低估了固定大小参数的问题，即均值和方差值）。***，获得过度平滑的结果。

最近，生成敌对网络（GAN）[12,23,3]产生了感知令人印象深刻的图像生成结果。特别是，通过结合各种姿势，表情，性别，肤色和头发类型，可以以不适当的方式实现面部合成。此外，它允许用户通过简单的解决方案来将图像转换到不同的域[14,5]。 GAN优于VAE / AE的解释见[9]，其中GAN保留关于该问题的精细解决方案，而VAE / AE粗略地近似。

亲属验证：亲属验证/识别通过融合皮肤颜色和/或从面部照片显示的高阶梯度模式[24,25]，最初是基于手工制作的浅肤色特征。此外，探索使用视频而不是单一的图像[6]，作者声称它可以用时空外观，隐式的面部表情来验证人脸。最近，深度模型获得了***的问题表现[26,18,8,21]。一般来说，他们的解决方案是基于从可用面部模型转移可训练参数，并且由于样本稀缺而用亲属关系数据进行微调。***，特征空间经常被学习与三重损失类似于人脸识别问题[22]。