CR-FIQA：通过学习方法样本相对可分类性的人脸图像质量评估
计算机视觉与模式识别
2023-03-14 v2
摘要
人脸图像的质量显著影响底层人脸识别算法的性能。人脸图像质量评估（FIQA）估计所采集图像在实现可靠且准确识别性能方面的效用。在本工作中，我们提出一种新颖的学习范式，在训练过程中学习方法内部网络观测。基于此，我们提出的 CR-FIQA 利用该范式通过预测样本的相对可分类性来估计人脸图像质量。该可分类性是根据训练样本特征表示在角空间中相对于其类中心和最近负类中心的分配来度量的。我们通过实验说明了人脸图像质量与样本相对可分类性之间的相关性。由于该性质仅在训练数据集中可观测，我们提出从训练数据集中学习该性质，并利用它来预测未见样本的质量度量。该训练是在利用基于角间隔惩罚的 softmax 损失优化类中心以用于人脸识别模型训练的同时进行的。通过在八个基准和四个人脸识别模型上的大量评估实验，我们证明了所提出的 CR-FIQA 优于最先进（SOTA）的 FIQA 算法。
引用
@article{arxiv.2112.06592,
title = {CR-FIQA: Face Image Quality Assessment by Learning Sample Relative Classifiability},
author = {Fadi Boutros and Meiling Fang and Marcel Klemt and Biying Fu and Naser Damer},
journal= {arXiv preprint arXiv:2112.06592},
year = {2023}
}
备注
Accepted at the IEEE/CVF Conference on Computer Vision and Pattern Recognition 2023 (CVPR2023)