Cross-Quality LFW：用于分析非受控环境下跨分辨率图像人脸识别的数据库

现实世界的人脸识别应用常常因不同的拍摄条件（如不同的物距、较差的相机设置或运动模糊）而面临次优的图像质量或分辨率。这一特性对性能有不可忽视的影响。最近的跨分辨率人脸识别方法使用简单、任意且不切实际的下采样和上采样技术来衡量对现实世界图像质量边缘情况的鲁棒性。因此，我们提出了一个新的标准化基准数据集和评估协议，该协议源自著名的Labeled Faces in the Wild (LFW)。与之前侧重于姿态、年龄、相似性和对抗性攻击的衍生数据集不同，我们的Cross-Quality Labeled Faces in the Wild (XQLFW) 最大化了质量差异。它仅在必要时包含更真实的合成退化图像。然后，我们使用所提出的数据集进一步研究图像质量对几种最先进方法的影响。通过XQLFW，我们展示了这些模型在跨质量情况下表现不同，因此其泛化能力无法通过它们在LFW上的性能准确预测。此外，我们报告了使用专门为跨分辨率应用训练的近期深度学习模型的基线准确率，并评估了其对图像质量的敏感性。为了鼓励对跨分辨率人脸识别的进一步研究并激发对图像质量鲁棒性的评估，我们公开了该数据库和评估代码。