AI-KD：基于知识蒸馏的对齐不变人脸图像质量评估
计算机视觉与模式识别
2024-04-16 v1
摘要
近年来，人脸图像质量评估 (FIQA) 技术取得了稳步进展，但如果输入的人脸样本未得到适当对齐，其性能仍会下降。这种对齐敏感性源于大多数 FIQA 技术是使用特定的人脸对齐流程进行训练或设计的。如果对齐技术发生变化，大多数现有 FIQA 技术的性能会迅速变为次优。为了解决这个问题，我们在本文中提出了一种新颖的知识蒸馏方法，称为 AI-KD，它可以扩展到任何现有的 FIQA 技术上，提高其对对齐变化的鲁棒性，进而提升其在不同对齐流程下的性能。为了验证所提出的蒸馏方法，我们在 6 个人脸数据集上使用 4 个近期的人脸识别模型进行了全面实验，并与 7 种 SOTA 的 FIQA 技术进行了比较。我们的结果表明，AI-KD 不仅在未对齐样本上，而且在适当对齐的人脸图像上，都能持续提升初始 FIQA 技术的性能。此外，当与具有竞争力的初始 FIQA 方法结合使用时，它创造了新的 SOTA。AI-KD 的代码已公开发布于：https://github.com/LSIbabnikz/AI-KD。
引用
@article{arxiv.2404.09555,
title = {AI-KD: Towards Alignment Invariant Face Image Quality Assessment Using Knowledge Distillation},
author = {Žiga Babnik and Fadi Boutros and Naser Damer and Peter Peer and Vitomir Štruc},
journal= {arXiv preprint arXiv:2404.09555},
year = {2024}
}
备注
IEEE International Workshop on Biometrics and Forensics (IWBF) 2024, pp. 6