年龄合成作为计算机视觉的一个分支问题，其研究始于 1994 年。我们中心的李佩佩等在 2018 年提出了一种基于全局和局部的生成方法[12]。做年龄合成时，我们知道一般额头、眼睛以及嘴角变化比较大。因此除了做一个全局通道外，我们还在模型汇总另外添加了三个局部通道，随后将这三个局部通道合起来后再与全局通道融合在一起。同时，我们也使用多个判别器来保证合成结果的视觉效果。这是我们得到的实验结果：
6、像素补充
接下来的工作是人脸补充，即把遮挡了的人脸补全，这在图像编辑中也有很重要作用。现有方法可以归纳为三类：早期是使用基于补丁的方法，即通过观察缺失内容的上下文信息，从相同图像或外部图像数据库中搜索相似的补丁；其次是基于扩散方程的方法，即利用扩散方程迭代地沿着边界将低级特征从上下文区域传播到缺失区域；第三种则是基于稀疏表示的方法，即如果缺了某块儿区域，便通过编码或者解码，把原始的图像补充上去[8]。2017 年，国外学者进一步研究了基于生成模型的人脸补充，其目的是希望生成的拓扑结构和真实的拓扑结构保持一致。
在图像感知的时候，拓扑结构先于其它结构，所以我们考虑把拓扑结构作为先验条件。基于这种考虑，我们中心的宋林森等提出一种新的方法（Geometry-Aware Face Completion and Editing），先预测缺失的地方，随后再把这个拓扑结构跟原图一起输入，来生成真实的图像。
7、跨光谱合成
所谓跨光谱合成，指根据某种光谱/模态下的人脸图像，直接合成其他光谱/模态人脸 图像的技术。这个技术广泛应用于异质人脸识别，例如下图的可见光图像和近红外图像间的人脸识别。这个问题的挑战和光线有关，一方面不同的图像之间光线差别比较大，而另一方面可用于跨光谱训练的图像数据集也比较小。不过这个领域的研究也比较多，包括基于字典学习的方法、基于补丁映射的方法和基于生成模型的方法等。
