浙江大学学报（理学版）, 2026 人脸年龄编辑 扩散模型 特征解耦 图像编辑 高保真生成

DeltaAge：一种高保真人脸年龄编辑网络

梁汉亿1   李辉1   盖孟2   王少荣1,3*

1北京林业大学信息学院
2北京大学计算机学院
3国家林业草原林业智能信息处理工程技术研究中心

PDF

TL;DR提出基于扩散自编码器的双分支人脸年龄编辑网络，通过无监督学习解耦身份与年龄特征，实现高保真连续年龄编辑

Abstract

现有主流人脸年龄编辑方法依赖成对年龄标注数据训练，难以有效解耦年龄特征。DeltaAge 基于预训练扩散自编码器(DAE)，采用双分支编码器结构分别提取身份语义特征和年龄语义特征，通过特征融合与条件DDIM模型实现连续年龄编辑，无需成对标注数据。

Method

传统GAN方法依赖离散年龄标签、属性线性可分假设导致大跨度年龄变化质量下降；现有扩散模型方法依赖大规模T2I模型导致训练成本高昂。DeltaAge通过无监督双分支结构在轻量级框架下实现了高保真年龄编辑。

核心思想是将年龄变化建模为身份特征空间中的差值表示：z_edit = z_origin + z_age，通过双分支编码器分别提取身份和年龄语义特征，在潜在空间进行特征融合后，利用条件DDIM模型生成目标年龄图像。

双分支编码器

身份-年龄双分支语义编码

身份语义编码器(Enc_sem)提取512维身份特征，年龄语义编码器(Enc_age)通过特征融合机制将年龄条件嵌入输入图像，提取512维年龄特征，实现身份与年龄的有效解耦

多样性损失

基于信息熵的多样性损失函数

通过计算归一化年龄特征向量的自交叉熵，引导年龄特征分布更分散均衡，增强年龄语义向量的表征能力与多样性，使模型能更准确捕获不同年龄段的细微差异

条件DDIM

非对称时间步条件DDIM生成

正向扩散编码身份信息到潜在空间噪声表征，反向去噪过程中注入融合后的编辑特征，训练时采用T_for=50/T_back=8的非对称时间步设置提升训练效率，推理时均为50步

训练流程包含三个阶段：(1)身份编码器对输入图像提取身份语义特征z_origin；(2)年龄编码器对融合了年龄条件的输入提取年龄语义特征z_age；(3)通过元素级加法融合为z_edit，正向扩散将源图像编码为含身份信息的噪声表征x_T，反向去噪结合z_edit生成目标年龄图像。

定性比较显示DeltaAge在年龄特征转换（如皱纹、法令纹）上表现自然，身份保持（面部轮廓、五官结构）优于LATS和CUSP方法，生成的图像细节丰富、纹理自然，未出现过度模糊或失真。

连续年龄编辑结果表明DeltaAge实现了年龄特征的平滑渐变，跨种族、性别均保持稳定转换效果，关键面部特征（眼睛形状、鼻子轮廓）得到良好保持，肤质纹理、光照明暗等细节真实感强。

Results

CelebA-HQ (Young→Old)
2.08
Blur (↓)
优于HRFAE(2.15)等所有对比方法 模糊度指标最优，验证高保真生成能力
CelebA-HQ (Young→Old)
96.70%
Gender保持率
与主流方法相当(FaderNet 97.60%) 性别属性保持率良好
CelebA-HQ (Young→Old)
92.80%
Smiling保持率
优于CUSP(88.70%) 微笑表情保持率显著优于CUSP
CelebA-HQ (Young→Old)
59.47±6.83
Predicted Age
仅次于CUSP(67.76)，位列第二 年龄编辑精确度高，连续年龄建模有效
MethodPred. AgeBlur↓Gender%Smiling%Neutral%Happy%
FaderNet44.34±11.409.1597.6095.2090.6092.40
PAGGAN49.07±11.223.6895.1093.1090.2091.70
IPCGAN49.72±10.959.7396.7093.6089.5091.10
HRFAE54.77±8.402.1597.1096.3091.3092.70
LATS55.33±9.334.7796.5592.7083.7788.64
CUSP67.76±5.382.5393.2088.7079.8084.60
DeltaAge(Ours) ours59.47±6.832.0896.7092.8083.0089.20

DeltaAge在CelebA-HQ数据集上的模糊度(blur)指标达到2.08，显著优于所有对比方法，验证了其高保真生成能力。在年龄预测精确度上位列第二（59.47岁），性别保持率(96.70%)和表情保持率均表现良好。消融实验证实多样性损失函数使blur从2.41降至2.08，性别保持率从94.80%提升至96.70%。

Qualitative Results

Takeaway

DeltaAge证明了将年龄变化建模为潜在空间中的差值表示(z_edit = z_origin + z_age)是一种有效的高保真年龄编辑策略。双分支解耦+多样性损失的组合设计在不依赖大规模T2I模型的前提下，实现了轻量级且高质量的连续年龄编辑。

Citation

@article{liang2026deltaage,
  title={DeltaAge：一种高保真人脸年龄编辑网络},
  author={梁汉亿 and 李辉 and 盖孟 and 王少荣},
  journal={浙江大学学报（理学版）},
  volume={53},
  number={2},
  pages={191--199},
  year={2026},
  doi={10.3785/j.issn.1008-9497.25126},
  url={https://www.academax.com/ZDXBLXB/doi/10.3785/1008-9497.25126}
}