Face Aging Using Various Cycle GAN Models: A Comparative Analysis of Efficient Net Mobile Net and Standard Architectures

人脸老化是计算机视觉和生物特征分析中的一个基础性问题，在法医鉴定、娱乐和临床评估等领域具有重要应用。标准的基于ResNet的生成器往往会出现模式崩溃以及身份判别特征保留不足的问题。此外，在大量训练轮次中保持训练稳定性也存在困难，尤其是在同时平衡对抗损失、循环一致性损失和身份损失时。本研究提出并评估了三种用于人脸老化的不同CycleGAN架构，即CycleGAN-EfficientNetB1、CycleGAN MobileNetV2和CycleGAN。三种模型均在由裁剪后的年轻和年老面部图像组成的数据集上进行训练，使用Adam优化器，学习率为0.0001，并采用相同的损失权重。每个模型都采用共享的对抗训练策略，结合基于MSE的GAN损失、权重lambda=10的基于L1的循环一致性损失，以及权重lambda=5的基于L1的身份损失。EfficientNetB1模型使用冻结的早期编码器层（前3个特征块），产生24通道特征图；而MobileNetV2模型利用前7个倒残差瓶颈块，产生32通道特征图。标准模型采用传统的卷积-下采样-残差块-上采样架构，包含9个残差块。分别训练200、152和270个轮次后，这些模型的最终生成器损失分别为3.69、1.71和1.56。实验结果证实，主干网络的架构选择会显著影响CycleGAN框架中的人脸老化质量。普通CycleGAN在所有指标上取得了最低的最终损失，而MobileNet则在具有竞争力的质量下提供了计算效率。本研究为基于CycleGAN的人脸老化研究建立了一个比较基准。