诸葛灬孔暗

1. 介绍论文地址：FA-GANs: Facial Attractiveness Enhancement with Generative Adversarial Networks on Frontal Faces针对问题：数字化面部美容技术，主要针对现有技术难以保证高质量和身份正确的问题（1） 目前为止，还没有一个统一的框架来提高吸引力，包括外观和几何方面；（2）缺少可用于训练的成对数据；（3） 人们可能用不同的方式来定义面部吸引力。当被要求解释这个概念时，他们的答案有很大的不同。然..

1. 介绍论文地址：https://arxiv.org/pdf/2007.01771v1.pdf代码：gaobb/DLDL-v2上篇DLDL文章的改进：DLDL针对问题：年龄估计、面部吸引力估计（1）数据标记困难，导致很难收集到一个完全和充分标记的数据集；（2）不同标签组的图像数量非常不平衡，不同数据集的分布也有很大的不同。（3）与其他面部特征（如性别或表情）相比，年龄/吸引力估计是一项非常精细的识别任务，例如，当一个人从25岁到26岁时，我们人类几乎感觉不到他/她面部特征的

1. 介绍论文地址：https://arxiv.org/pdf/2006.02766代码：https://github.com/zoezhou1999/BeautifyBasedOnGAN针对问题：数字化面部美容技术，主要针对现有技术难以保证高质量和身份正确的问题，主要是针对BeholderGAN的改进。主要贡献：（1）利用StyleGAN的高分辨率和高质量图像生成方法，通过解释GANs的潜在空间来生成高质量的美化图像;（2）在此基础上解决了Beholder-GAN的缺点，并..

1. 介绍论文地址：ComboLoss for Facial Attractiveness Analysis with Squeeze-and-Excitation Networks代码：lucasxlu/ComboLoss针对问题：年龄估计、面部吸引力估计中loss的设置年龄估计与面部吸引力估计既不属于回归问题，也不属于分类问题； 回归问题的回归曲线是静态的，而年龄估计是 每个人服从单独的回归曲线，是动态的； 标签间存在模糊的信息， 使得这些任务不同于传统的分类任务..

1. 介绍论文地址：https://arxiv.org/pdf/1611.01731v2.pdf代码：https://github.com/gaobb/DLDL针对问题：年龄估计（1）缺乏精确标签的训练图像；（2）既不属于回归问题，也不属于分类问题；回归问题的回归曲线是静态的，而年龄估计是 每个人服从单独的回归曲线，是动态的； 标签间存在模糊的信息， 使得这些任务不同于传统的分类任务， softmax仅仅强调了类间差异的最大化，却忽略了年龄问题本身的连续性。主要贡...