基于深度学习的单图像人脸深度数据增强
计算机视觉与模式识别
2021-07-28 v3
摘要
人脸识别可受益于使用低成本相机捕获的深度数据,尤其在呈现攻击检测方面。然而这些捕获设备的深度视频输出可能包含孔洞或一般性深度不准确等缺陷。本工作在人脸生物特征识别这一背景下提出一种深度学习人脸深度增强方法,为该主题增添了安全性维度。采用了类 U-Net 架构,并将这些网络与手工设计的增强器类型,以及来自相关工作中为邻近应用场景训练的类似深度增强网络进行比较。所有被测增强器类型仅以深度数据作为输入,这不同于那些基于可见光彩色图像等附加输入数据来增强深度的方法。借助 PRNet 生成合成人脸深度真值图像及其退化形式,以训练具有不同网络规模与训练配置的多个深度学习增强模型。评估在合成数据、来自 KinectFaceDB 的 Kinect v1 图像、以及内部 RealSense D435 图像上进行。这些评估包含对遮挡人脸深度输入伪造程度的评定,这与生物特征安全性相关。所提出的深度学习增强器比被测已有增强器结果明显更优,且在给定非人脸输入时不会过度伪造深度数据,并显示出可降低一种基于简单 landmarks 的 PAD 方法的误差。
引用
@article{arxiv.2006.11091,
title = {Deep Learning-based Single Image Face Depth Data Enhancement},
author = {Torsten Schlett and Christian Rathgeb and Christoph Busch},
journal= {arXiv preprint arXiv:2006.11091},
year = {2021}
}