人工智能通過父母照片合成可能的子女面孔，深度學(xué)習(xí)親緣關(guān)系生成摘要：在本文中，我們提出了一個親緣關(guān)系生成器網(wǎng)絡(luò)，可以通過分析他/她父母的照片來合成一個可能的子女面孔。 為此，我們專注于通過提出新穎的解決方案來處理整篇論文中親緣關(guān)系數(shù)據(jù)集的稀缺性問題。 為了提取可靠的特征，我們將預(yù)先訓(xùn)練的臉部模型集成到親屬關(guān)系臉部生成器。 此外，生成器網(wǎng)絡(luò)正規(guī)化與一個額外的人臉數(shù)據(jù)集和敵對損失，以減少過度擬合有限的樣本。 ***，我們調(diào)整周期域轉(zhuǎn)換以獲得更穩(wěn)定的結(jié)果。 在野外家庭（FIW）數(shù)據(jù)集上進(jìn)行實驗。 實驗結(jié)果表明，與基準(zhǔn)結(jié)構(gòu)相比，文獻(xiàn)中提供的貢獻(xiàn)提供了重要的性能改進(jìn)，并且我們提出的方法產(chǎn)生了有希望的感知結(jié)果。

人工智能通過父母照片合成可能的子女面孔，深度學(xué)習(xí)親緣關(guān)系生成簡介：人類的大腦可以通過分析面部部分的分化模式來驗證照片中的親屬關(guān)系。這個特征是一個有力的證據(jù)，表明大腦如何令人著迷地復(fù)雜。最近，已經(jīng)提出了大量方法來實現(xiàn)計算機(jī)進(jìn)行親緣關(guān)系驗證，因為基于學(xué)習(xí)的深度模型已經(jīng)顯示出令人印象深刻的能力來從面部自動提取這些潛在模式[22,18,8]。特別是，這些方法勝過了人類為各種識別問題而獲得的性能[17,22]。最終，模型的輸出可用于識別失蹤人員，子女/父母搜索以及追蹤推薦服務(wù)的一些統(tǒng)計數(shù)據(jù)。然而，通過分析他們的父母照片來猜測可能的孩子的面孔，相反地，更直觀地看待問題并不是激發(fā)作為原始問題（即識別和驗證）的動機(jī)。就我們所知，解決這個問題的興趣也很有限[10]，即使有幾種有前途的方法可以從基于生成深度模型的大數(shù)據(jù)集合中合成人臉。

人工智能通過父母照片合成可能的子女面孔，深度學(xué)習(xí)親緣關(guān)系生成貢獻(xiàn)：總的來說，這個問題的目的（即合成親屬關(guān)系的面部）是，對于父母照片（母親或父親）的給定輸入，一種方法通過利用潛伏面部來合成兒童最可能的面部展現(xiàn)在父母面前的特征。但是，模型的魯棒性，特別是對于深度模型，強(qiáng)烈依賴于訓(xùn)練樣本的數(shù)量和數(shù)據(jù)集的多樣性。此外，目前可用的血緣關(guān)系驗證數(shù)據(jù)集相當(dāng)小，模型應(yīng)根據(jù)此限制進(jìn)行調(diào)整，以達(dá)到令人滿意的結(jié)果。在本文中，我們提出了一個完全卷積網(wǎng)絡(luò)（FCN），它利用編碼器層的響應(yīng)在潛在空間中變換父面，并迭代解碼這些響應(yīng)以重建可能的親緣關(guān)系面。

為此，我們提出了三種新的對親緣關(guān)系人臉合成的標(biāo)準(zhǔn)FCN的貢獻(xiàn)：1）我們使用一個預(yù)先訓(xùn)練好的編碼層網(wǎng)絡(luò)，這個網(wǎng)絡(luò)在大規(guī)模數(shù)據(jù)集上進(jìn)行了人臉識別優(yōu)化。最終，這允許我們提取更多魯棒的隱藏特征，即使面數(shù)量有限的人臉模擬為人臉合成。 2）雖然使用編碼層提供了幾個優(yōu)點，如人員識別的精度，但由于隱藏特征的大維度，解碼層可以很容易地過度訓(xùn)練數(shù)據(jù)。最終，這個問題變得更加復(fù)雜，以推廣針對不同面部情景的***解決方案。因此，我們利用大規(guī)模無監(jiān)督數(shù)據(jù)的對抗性損失來緩解過度擬合及其泛化能力。3）***，我們采用循環(huán)域變換[27]（即從父母到孩子以及孩子到父母的變換），這導(dǎo)致更穩(wěn)定的結(jié)果。本文的結(jié)構(gòu)如下。首先，我們回顧關(guān)于人臉綜合和親屬驗證的文獻(xiàn)，因為這些步驟是我們問題的兩個主要基礎(chǔ)。后來，提出的方法的細(xì)節(jié)被提出用于親屬合成。***，報告實驗結(jié)果，并解釋本文的***評論。

人工智能通過父母照片合成可能的子女面孔，深度學(xué)習(xí)親緣關(guān)系生成相關(guān)工作：在本節(jié)中，人臉綜合和親屬驗證將被詳細(xì)討論，因為這是有效親緣合成的兩個關(guān)鍵要素。人臉綜合：人臉綜合的早期研究最初是為了從低分辨率圖像中推測人臉幻覺來推斷他們的高頻細(xì)節(jié)[2,19]。在這些作品中，眼睛，山脈和對稱等人臉的共同特征得到了特別的加強(qiáng)。然而，它們的主要限制是解決方案嚴(yán)格依賴于數(shù)據(jù)（即沒有泛化能力）和自然圖像流形學(xué)習(xí)（即記憶）可以堅持只將圖像塊從低分辨率轉(zhuǎn)換到高分辨率的情況通過對***所有可能的解決方案進(jìn)行平均。同樣，基于自動編碼器（AE）的方法對于解決方案也有類似的缺點。 [10]旨在通過基于AE推動面部動態(tài)（即表情）和視覺外觀來生成親屬面孔，因此它能夠?qū)€人表情轉(zhuǎn)移給未來的孩子。

變分自動編碼器（VAE）[16]是通過根據(jù)編碼器層的輸入計算隨機(jī)潛變量來合成圖像的概率方式。因此，這實際上改進(jìn)了模型的泛化，并獲得了各種圖像合成問題以及人臉的各種結(jié)果。然而，它仍然沒有達(dá)到問題的復(fù)雜性（即，它低估了固定大小參數(shù)的問題，即均值和方差值）。***，獲得過度平滑的結(jié)果。

最近，生成敵對網(wǎng)絡(luò)（GAN）[12,23,3]產(chǎn)生了感知令人印象深刻的圖像生成結(jié)果。特別是，通過結(jié)合各種姿勢，表情，性別，膚色和頭發(fā)類型，可以以不適當(dāng)?shù)姆绞綄崿F(xiàn)面部合成。此外，它允許用戶通過簡單的解決方案來將圖像轉(zhuǎn)換到不同的域[14,5]。 GAN優(yōu)于VAE / AE的解釋見[9]，其中GAN保留關(guān)于該問題的精細(xì)解決方案，而VAE / AE粗略地近似。

親屬驗證：親屬驗證/識別通過融合皮膚顏色和/或從面部照片顯示的高階梯度模式[24,25]，最初是基于手工制作的淺膚色特征。此外，探索使用視頻而不是單一的圖像[6]，作者聲稱它可以用時空外觀，隱式的面部表情來驗證人臉。最近，深度模型獲得了***的問題表現(xiàn)[26,18,8,21]。一般來說，他們的解決方案是基于從可用面部模型轉(zhuǎn)移可訓(xùn)練參數(shù)，并且由于樣本稀缺而用親屬關(guān)系數(shù)據(jù)進(jìn)行微調(diào)。***，特征空間經(jīng)常被學(xué)習(xí)與三重?fù)p失類似于人臉識別問題[22]。