飞桨论文复现挑战赛（第四期）冠军 —— paddle-SAM

最新推荐文章于 2025-11-10 00:40:24 发布

原创

最新推荐文章于 2025-11-10 00:40:24 发布 · 2.3k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#paddle #pytorch #SAM 年龄转换 #飞浆论文复现赛

本文档介绍了使用PaddlePaddle复现OnlyaMatterofStyle论文中提出的年龄转换模型SAM的过程。该模型利用StyleGAN的潜在空间进行年龄编辑，通过预训练的年龄回归网络指导编码器生成对应年龄的潜在代码。复现结果在 CelebA 和 FFHQ 数据集上展示了不同年龄段的图像，并与其他先进方法进行了比较。训练和预测的步骤、环境依赖、代码结构和参数设置也进行了详细说明。遇到的主要挑战包括预训练模型的转换、损失函数的实现以及梯度传播问题。

论文复现：Only a Matter of Style: Age Transformation Using a Style-Based Regression Model

一、简介

本文提出了一种图像到图像（image-to-image）的年龄转换方法，该方法促使编码器学习将真实面部图像编码到预先训练的无条件 GAN（例如 StyleGAN）的潜在空间中，该编码器会受到给定的年龄变化的影响。

本文将老化过程作为输入年龄和目标年龄之间的回归任务，对生成图像的年龄提供细粒度控制（而不是只能老化到给定的年龄），使用预先训练的年龄回归网络来明确地指导编码器生成与期望年龄相符的潜在代码，编码器的任务是将输入的面部图像直接编码为一系列样式向量，以适应所需的年龄变化。然后将这些样式向量输入StyleGAN，以生成表示所需年龄变换的输出图像。

为了明确指导编码器生成相应的潜在代码，本文使用固定的、预训练的年龄回归网络作为训练过程中的年龄约束。本文方法命名为 SAM——Style-based Age Manipulation。因为年龄转换是通过学习到的中间样式表示来控制的。

最后，本文证明了本方法的端到端性质，加上 StyleGAN 丰富的潜在语义空间，允许进一步编辑生成的图像。定性和定量评估表明，与最先进的方法相比，本文的方法具有优势。

论文链接：Only a Matter of Style: Age Transformation Using a Style-Based Regression Model

赛场：

二、复现精度

参考官方开源的 pytorch 版本代码 https://github.com/yuval-alaluf/SAM，基于 paddlepaddle 深度学习框架，对文献算法进行复现后，本项目生成的年龄转换图像如下表所示。图片从左到右分别是：输入图片，模型生成的 0 岁，10 岁，20 岁，30 岁，40 岁，50 岁，60 岁，70 岁，80 岁，90 岁，100 岁图片，更多结果见 example 文件夹。