年龄转换的任务说明了一个人的外表随时间的变化。在输入的面部图像上准确地对这种复杂的变换进行建模是极具挑战性的，因为它需要对面部特征和头部形状进行令人信服且可能较大的改变，同时仍保留输入的身份。在这项工作中，我们提出了一种图像到图像的转换方法，该方法学习将真实面部图像直接编码到受给定老化变化影响的预训练无条件 GAN（例如，StyleGAN）的潜在空间中。我们采用预训练的年龄回归网络，用于明确指导编码器生成与所需年龄相对应的潜在代码。在这个公式中，我们的方法将连续老化过程视为输入年龄和期望目标年龄之间的回归任务，对生成的图像提供细粒度的控制。此外，与其他仅在潜在空间中使用先验控制年龄的路径操作的方法不同，我们的方法学习了更解开的非线性路径。我们证明了我们方法的端到端性质，加上 StyleGAN 丰富的语义潜在空间，允许对生成的图像进行进一步编辑。定性和定量评估显示了我们的方法与最先进方法相比的优势。允许进一步编辑生成的图像。定性和定量评估显示了我们的方法与最先进方法相比的优势。允许进一步编辑生成的图像。定性和定量评估显示了我们的方法与最先进方法相比的优势。
项目代码：https://github.com/yuval-alaluf/SAM
1、项目介绍：
2、环境安装
- 平台：windows 10
- 编译器：pycharm
- cuda 11.3
- cudnn 8.2.0.53
3、执行代码
