基于深度学习的压缩检测用于可解释的人脸图像质量评估

人脸图像质量评估对于确保可靠的人脸识别至关重要。为了向数据主体和操作员提供关于捕获的人脸图像的可解释和可操作的反馈，必须测量相关的质量分量。已知对人脸图像效用产生负面影响的品质分量包括JPEG和JPEG 2000压缩伪影等。压缩可能导致重要图像细节的丢失，从而可能损害识别性能。本文训练深度神经网络来检测人脸图像中的压缩伪影。为此，使用JPEG和JPEG 2000压缩算法对无伪影的人脸图像进行压缩。随后，采用PSNR和SSIM指标获取训练标签，基于这些标签，使用单一网络分别训练神经网络以检测JPEG和JPEG 2000伪影。对所提方法的评估显示出有希望的结果：在检测精度方面，使用PSNR标签进行训练时，错误率为2-3%。此外，我们表明，通过丢弃表现出严重压缩伪影的人脸图像，可以显著降低不同开源和商业人脸识别系统的错误率。为了最小化资源消耗，EfficientNetV2作为所提出算法的基础，该算法作为OFIQ软件的一部分提供。