深度神经网络模型的人脸嵌入是否具有跨模型兼容性？
计算机视觉与模式识别
2026-04-09 v1 机器学习
摘要
自动化人脸识别在过去十年中取得了快速进展，这得益于可针对特定领域任务进行训练的深度神经网络（DNN）模型的空前兴起。与此同时，在广泛视觉或视觉-语言任务上预训练的基础模型已在包括生物特征识别在内的多个领域展现了令人印象深刻的泛化能力。这引发了一个重要问题：不同的DNN模型——无论是领域特定模型还是基础模型——尽管在数据集、损失函数和架构上存在差异，是否以相似的方式编码面部身份？在这方面，我们直接分析不同DNN模型所赋予的嵌入空间的几何结构。将人脸图像的嵌入视为点云，我们研究简单的仿射变换是否可以将一个模型的人脸表示与另一个模型对齐。我们的发现揭示了惊人的跨模型兼容性：低容量的线性映射显著改善了跨模型的人脸识别性能，无论在身份识别还是验证任务上均如此。对齐模式在不同数据集间具有泛化性，并在不同模型族之间呈现系统性变化，表明面部身份编码中存在表征收敛。这些发现对模型互操作性、集成设计和生物特征模板安全具有重要意义。
引用
@article{arxiv.2604.07282,
title = {Are Face Embeddings Compatible Across Deep Neural Network Models?},
author = {Fizza Rubab and Yiying Tong and Arun Ross},
journal= {arXiv preprint arXiv:2604.07282},
year = {2026}
}