桥接数据试验与任务障碍：面向草图生物识别统一框架

不同于现有的跨模态识别任务（如异构人脸识别、草图重识别等），我们引入一种新颖且实用的设定，称为草图生物识别（sketch biometric identification），旨在跨不同数据域，甚至跨不同识别任务持续训练统一模型。草图生物识别面临数据稀缺、高标注成本、隐私风险以及跨任务模型泛化能力不足等挑战。现有方法通常依赖有限的真实数据或单任务优化，难以有效解决跨模态与跨任务的联合挑战。本文提出一个统一框架，集成高效的合成草图生成与任务顺序持续学习。首先，我们设计了高效管道生成大规模高质量的合成人物和人脸草图数据，显著降低成本并规避隐私风险。同时，通过融合真实数据增强模型鲁棒性。其次，我们构建通用统一框架进行草图生物识别，采用任务顺序训练策略：模型首先在人物数据集上完成草图人物重识别学习；随后通过可靠样本回放技术保持所学人物识别能力，并无缝进行人脸数据集的增量训练。这使得单个模型能够同时处理多种草图生物识别任务的跨任务能力。为支持上述草图生物识别研究，我们构建了一个新的大规模基准，SketchUnified-BioID，包含若干实用评估协议。