基于深度学习的面部属性操控与重建：针对监视和侦察场景
计算机视觉与模式识别
2025-06-10 v1
摘要
监视系统在安全和侦察中发挥着关键作用，但因图像和视频质量较差，往往导致面部识别准确率下降。此外，现有的AI人脸分析模型还受制于肤色变化和部分遮挡面的偏见，进一步限制了其在多样化现实场景中的有效性。这些挑战源于数据限制和不平衡，现有训练数据集缺乏足够的多样性，导致面部识别表现不公平且不可靠。为此，我们提出一种数据驱动的平台，通过生成针对数据集偏见进行补偿的合成训练数据来增强监视能力。我们的做法利用基于深度学习的人脸属性操控和重建技术，采用自编码器和生成对抗网络（GAN）创建多样且高质量的人脸数据集。此外，系统集成了图像增强模块，提高低分辨率或遮挡面部在监视录像中的清晰度。我们使用CelebA数据集进行评估，结果表明，所提出的平台既提升了训练数据的多样性，也增强了模型的公平性。这一工作有助于减少AI人脸分析中的偏见，提高面临挑战环境下监视系统的准确率，为更公平可靠的安保应用奠定基础。
引用
@article{arxiv.2506.06578,
title = {A Deep Learning Approach for Facial Attribute Manipulation and Reconstruction in Surveillance and Reconnaissance},
author = {Anees Nashath Shaik and Barbara Villarini and Vasileios Argyriou},
journal= {arXiv preprint arXiv:2506.06578},
year = {2025}
}