纽约大学Tandon工程学院的研究人员开发出一种新的人工智能技术，可以改变图像中一个人的显年龄，同时保留他们独特的辨识特征。这是标准人工智能模型的一个重大进步，这些模型可以使人们看起来更年轻或更年长，但无法保留他们的个体生物特征识别信息。

在一篇发表在预印本服务器arXiv上的论文中，也将在IEEE国际联合生物识别大会（IJCB）的论文集中进行展示，论文的第一作者、计算机科学与工程（CSE）系的研究助理教授Sudipta Banerjee与同事们训练了一种生成式人工智能模型-潜扩散模型，以“了解”如何进行保留身份信息的年龄转换。

为了做到这一点，Banerjee在CSE博士生候选人Govind Mittal和博士研究生Ameya Joshi的合作下， 在 CSE副教授Chinmay Hegde和CSE教授Nasir Memon的指导下，克服了这类工作中的一个典型挑战，即收集一大批显示个人多年来的图像。

相反，团队用一小组单个人的图像以及另一组带有说明个人所在年龄类别（儿童、少年、年轻成年人、中年人、老年人或者年长）的图像训练了模型。这个数据集包括了名人在他们一生中的各个阶段的图像。

模型从第一组图像中学习识别个人的生物特征。带有年龄说明的图像教会了模型图像与年龄之间的关系。通过指定目标年龄，训练好的模型可以用来模拟衰老或者反衰老。

研究人员采用了一种名为“DreamBooth”的方法来编辑人脸图像，通过逐渐修改图像，利用一组神经网络组件实现。这种方法包括给图像添加和移除噪音（随机变化或扰动），同时考虑到底层的数据分布。

这种方法利用文本提示和类别标签来指导图像生成过程，重点关注保留身份特定细节和整体图像质量。采用各种损失函数对神经网络模型进行微调，通过生成具有与年龄相关变化和上下文变化的人脸图像的实验来展示该方法的有效性。

研究人员通过将他们的方法与其他现有的年龄修改方法进行比较，邀请26位志愿者将生成的图像与其真实图像进行匹配，并使用面部识别算法ArcFace进行测试。研究人员发现，他们的方法优于其他方法，拒绝错误率下降了高达44%。