年龄是具有生物学基础的自然标志。千百年来，人类从未停止对年龄进程的
探索，各类人口现象均与年龄密切相关。作为计算机视觉领域的新兴方向之一，
人脸年龄合成与分析具有重要的理论意义与现实需求，例如安全领域的年龄估
计与跨年龄人脸识别，以及影视作品中的数字人脸老化与逆龄技术等。虽然相
关研究已经取得了一些进展，但人脸年龄合成与分析问题仍然面临着诸多挑战。
一方面，人脸老化过程会受多种因素影响，有遗传基因等内部因素，也有来自生
存环境的外部因素，具有很强不确定性。另一方面，非严格受控环境下的人脸姿
态、表情等复杂变化也是人脸年龄研究中不可回避的难点问题。本文以深度生成
学习为基础，针对上述问题，从人脸图像预处理、人脸图像年龄合成以及人脸图
像年龄分析三方面对人脸年龄展开研究。本文取得的研究成果如下：

1. 提出了两种基于生成学习的人脸预处理方法，即基于生成学习的人脸姿
态转正与基于对偶生成的人脸解析方法。为了探索第一个任务，本文建立了一个
包含 229 个人， 62 种俯仰姿态，共 79 万余张，像素值 1920×1080 的高清人脸
图片数据集。这是目前国内外公开数据集中姿态最多、数量最大、分辨率最高的
人脸图像姿态分析数据库。此外，本文在传统生成对抗网络基础上，提出了人脸
解析引导的局部判别网络，辅助提升人脸图像姿态转正效果。实验表明，该方法
可以在保证身份信息不丢失的情况下消除姿态干扰。在第二个任务中，本文提出
了一个对偶结构解耦变分生成网络，能够从无到有地生产出大量在真实世界不
存在的带人脸解析标签的虚拟人脸图像，通过将生成的图像加入到真实的训练
集中一起训练，达到提升人脸解析模型性能的目的。同时，为了更好地利用合成
数据，本文提出了标签容错算法。实验结果证明，本文提出的方法有利于提升人
脸解析模型的性能。
2. 提出了两种人脸图像年龄合成方法，即全局局部年龄一致的生成对抗网
络和全局局部年龄一致的小波域生成对抗网络。第一种模型针对人脸图像年龄
合成中局部纹理细节模糊问题，在传统生成对抗网络基础上，引入局部通路着重
处理年龄关键子区域，并使用身份保持损失和年龄准确性损失分别约束生成图
像的身份与年龄信息。该方法利用了全局拓扑优先感知，有助于提升人脸年龄合
成的局部细节质量。纹理信息属于高频信息，在图像处理领域，小波变换是一个
经典的将空域信息转换为频域信息的手段，因此，第二种模型将小波变换与生成
对抗网络结合，将人脸图像年龄合成问题转化为小波系数预测问题，有助于生成
更真实细腻的纹理信息。实验表明，通过引入局部通路与小波变换可以有效建模
局部老化细节与整体纹理老化趋势。
3. 提出了两种人脸图像年龄分析方法，即基于自适应标签分布学习的年龄
估计算法与基于解耦对抗变分自编码器的人脸图像年龄分析统一框架。由于人
脸老化是一个连续的过程，不同人种、性别、年龄段的老化速度是不同的，且分
布形式比较复杂，无法进行预先的假设或用统一的形式来表示。因此，本文提出
了一个基于自适应标签分布学习的年龄估计算法，包含两个联合的精炼过程：通
过标签分布精炼进行迭代学习来提升年龄分布标签预测的性能；通过松弛回归
精炼不断捕捉年龄标签之间的相关性，提升网络性能。在第二个任务中，本文首
次实现了通过训练一个网络，实现所有与年龄相关的子任务，包括年龄估计、年
龄合成、基于样例的人脸年龄合成与辅助跨年龄人脸识别。它使用一个解耦对抗
的变分编码器将输入图像解耦成身份、年龄，以及其余信息，并设计了新的年龄
先验、身份先验与其余信息先验指导模型实现解耦。为了增强身份、年龄信息的
学习，提出了条件异构生成器来重建输入图像。设计了条件自省对抗机制以进
一步提高生成图像质量。实验证明，该统一框架可以学习并解耦年龄相关信息，
从而实现多种与人脸年龄相关的子任务。