项目笔记

RLN
包括：编码器GθE和判别器Dfai1,

编码器GθE当成生成器用于特征学习

 f: H*W*C->C撇

H,W,C表示输入图片的长，宽，channel number.C撇表示编码特征f的维数
f的作用：
f是通过仔细设计的正则化，而保存的高阶的不变特征的信息
把f和连续年龄编码连接起来去生成 年龄连续变化的图片
把输入的RGB图像定义为x,则学习到的脸部特征表示为f:=GθE(x)
学习到的脸部特征表示f应该是
1.对年龄不变的
2.无论年龄域之间有多少潜在关系算法都不可能识别出x的原点？  
3.f要遵循均匀分布去平滑年龄转化

RLN的作用：去学习有识别性和健壮的年龄特征，

LOSS：
Lcad：是通过domain adaption促进年龄不变的特征学习时导致的跨年龄域的竞争性损失。
它能促进不可区分的关于年龄域之间转换的特征的出现。
           fai:表示域分类器的学习参数
           yi属于0到。。。，表示来自哪个域fi
 减少Lcad能减少域之间的差异，和帮助生成器通过不同的年龄域获得相似的脸部特征

这些适应的特征可以通过GθE编码器的扩张而获得，
这个编码器有几个标准层作为Cfai 域识别器,和一个梯度逆转层（它可以在优化编码器时逆转梯度，如图2，在12中用到）
结合Lcer可以保证在流行之内，和产生年龄不变的特征

Lcer：具有标签平滑策略的，能抑制摸棱两可的跨年龄的特征的，交叉熵正则化（Lcer)
psai表示正则化项的学习参数，yi杠表示平滑域的指示器

Ladv1是通过在f上施加均匀分布去均匀的填充隐藏的空间导致的的竞争性损失
这种平滑的年龄转变可以通过Ladv1的得到
大fai表示辨别器的学习参数，fi*表示来自均匀分布U（f)的随机样例？
yi表示二项分布的指示器？

我们利用一个多层感知器MLP作为辨别器D大fai1 去促进这个过程，
我们用Lip去增强这个辨别器
Lip:是在保存不变特征信息时的保存导致的损失,
yi是真正的身份？？

FSN利用解码器GθD作为生成器去生成跨年龄图像
C撇+C撇撇-》H*W*C。

Ladv2 是给合成照片 增加真实性和缓解由于技术或设备的缺陷而导致的错误的 损失
Lae是给展示年龄变化效果时的年龄估计导致的损失
Lmc是使输入输出空间流形一致导致的损失？
Ltv:总的变异(变化)损失,用于减少尖锐的由于技术或设备的缺陷而导致错误（artifacts)
Latt:通过注意机制机制增强鲁棒性导致的注意损失

参数：θE

FSN包裹 解码器GθD和基于Dfai2的local-patch
作用：获得连续的变化的人脸，提出了一种机制去应对背景很复杂的情况

AIm不需要配对的训练数据

cad:
cer：交叉熵 用来约束 摸棱两可的跨年龄的特征