ARoFace：针对人脸识别的对齐鲁棒性
计算机视觉与模式识别
2024-07-23 v1
摘要
旨在增强针对低质量(LQ)输入的人脸识别(FR)，最近的研究表明，纳入合成 LQ 样本到训练中具有前景。尽管如此，这些工作中考虑的质量因素是通用的，而非针对 FR 而言，例如大气湍流、分辨率等。基于对当前 FR 模型对 LQ 图像中即使微小的人脸对齐误差(FAE)高度脆弱的观察，我们提出一种简单而有效的方法，将 FAE 视为另一种针对 FR 的质量因素。为此，我们致力于提高 FR 模型对 FAE 的鲁棒性。为此，我们将问题形式化为可微分空间变换与对抗数据增强在 FR 中的组合。我们通过可控的空间变换扰动训练样本的对齐方式，并通过表达 FAE 的样本丰富训练。我们通过在 IJB-B、IJB-C、IJB-S (+4.3% Rank1) 和 TinyFace (+2.63%) 上进行评估，展示了所提出方法的优势。\href{https://github.com/msed-Ebrahimi/ARoFace}{https://github.com/msed-Ebrahimi/ARoFace}
引用
@article{arxiv.2407.14972,
title = {ARoFace: Alignment Robustness to Improve Low-Quality Face Recognition},
author = {Mohammad Saeed Ebrahimi Saadabadi and Sahar Rahimi Malakshan and Ali Dabouei and Nasser M. Nasrabadi},
journal= {arXiv preprint arXiv:2407.14972},
year = {2024}
}
备注
European Conference on Computer Vision (ECCV 2024)