Learning Face Age Progression: A Pyramid Architecture of GANs

前言

作为IP模式识别的CNN初始模型是作为单纯判别式-模式识别存在的，并以此为基本模型扩展到各个方向。基本功能为图像判别模型，此后基于Loc+CNN的检测模型-分离式、end2end、以及MaskCNN模型，而后出现基于CNN的预测模型-AcGans。

CNN作为一个基本判别式模型简化为数学模型依然为一个函数映射f(x)->y; 基于CNN的检测模型数学模型为 L(x)+f(x)->y,其中L(x)依然为判别式，给出loc信息，二维的为(y1,y2)点对；基于CNN的Mask给出每个Pixel的类别信息，数学模型可以简化为 k(x).f(x)—k(x).y，其中K(x)为一个与点位置线性相关的函数；

到了AcGans, 例如基于年龄的预测，CNN为其组成部分之一，而生成式为主要目的服务，数学模型可以简化为g( f0(f2)*f2(x) )—y，把一个判别式f(x)分离为维持不变性的 f0(x)和用于分离的 f2(x)，其中f0(x)满足生成式约束不变性， f2(x)满足特征提取-数据输入不变性约束，以满足使用数据完成训练生成模型所要求，以及处理输入的特征提取模型。