纽约大学的研究人员提出了一种通过隐扩散模型保留不同年龄身份特征的方法，并且只需要少样本训练，即可用文本提示来控制模型输出。在常用的生物特征忠诚度指标上，该方法比最先进的基线模型在错误不匹配率上降低了约 44%。研究人员通过 DreamBooth 模型，使用少量图像和文本描述，成功合成了各个年龄段的人脸图像。实验证明，用户能够以相当高的准确度成功地区分来自不同年龄组的生成图像。这项技术的应用潜力广泛，可用于人脸识别系统的抗衰老能力提升，以及在娱乐、广告等领域中的年龄变化效果展示。