ATTN-FIQA：基于 Vision Transformer 的可解释注意力面部图像质量评估
计算机视觉与模式识别
2026-04-28 v1 图像与视频处理
摘要
面部图像质量评估（FIQA）旨在评估面部样本的识别效用，对可靠的面部识别（FR）系统至关重要。现有方法需要计算密集的程序，如多次前向传播、反向传播或额外训练，仅近期工作聚焦于 Vision Transformer 的使用。近期研究指出，这些架构本质上作为 saliency learner，注意力模式天然编码空间重要性。本工作提出 ATTN-FIQA，一种无训练的新方法，探讨预训练 Vision Transformer 面部识别模型中 pre-softmax 注意力得分是否可作为质量指示器。我们假设注意力大小本质上编码了质量信息：高质量图像具有判别性面部特征可产生强查询-键对齐，从而产生集中且高幅值的注意力模式，而退化图像则产生分散且低幅值的模式。ATTN-FIQA 从最终 transformer 块中提取 pre-softmax 注意力矩阵，对所有 patch 上的多头注意力信息进行聚合，并通过简单平均计算图像级质量得分，仅需通过预训练模型进行单次前向传播，无需架构修改、反向传播或额外训练。通过在八个基准数据集和四个 FR 模型上的全面评估，本工作证明注意力基于的质量得分有效地与面部图像质量相关，并提供空间可解释性，揭示哪些面部区域对质量判断贡献最大。
引用
@article{arxiv.2604.22841,
title = {ATTN-FIQA: Interpretable Attention-based Face Image Quality Assessment with Vision Transformers},
author = {Guray Ozgur and Tahar Chettaoui and Eduarda Caldeira and Jan Niklas Kolf and Marco Huber and Andrea Atzori and Naser Damer and Fadi Boutros},
journal= {arXiv preprint arXiv:2604.22841},
year = {2026}
}
备注
Accepted at FG2026