DifFIQA：基于去噪扩散概率模型的人脸图像质量评估
计算机视觉与模式识别
2023-05-11 v1 机器学习
摘要
现代人脸识别（FR）模型在受限场景中表现出色，但由于所捕获人脸数据质量存在不确定性，在不受限（真实世界）环境中部署时性能常下降。人脸图像质量评估（FIQA）技术旨在通过为FR模型提供样本质量预测来减轻这些性能退化，可用于拒绝低质量样本并减少错误匹配错误。然而，尽管持续改进，确保跨具有多样特征的人脸图像提供可靠质量估计仍具挑战性。本文中，我们提出一种强大新颖的FIQA方法，名为DifFIQA，其依赖于去噪扩散概率模型（DDPM）并确保极具竞争力的结果。该方法背后的核心思想是利DDPMs的正向与反向过程扰动人脸图像，并量化这些扰动对相应图像嵌入的影响以进行质量预测。由于基于扩散的扰动计算昂贵，我们还将DifFIQA中编码的知识蒸馏为一个基于回归的质量预测器，称为DifFIQA(R)，以平衡性能与执行时间。我们在7个数据集上、针对4个目标FR模型并与10种最先进FIQA技术进行了综合实验，结果极具鼓舞。源代码将公开可用。
引用
@article{arxiv.2305.05768,
title = {DifFIQA: Face Image Quality Assessment Using Denoising Diffusion Probabilistic Models},
author = {Žiga Babnik and Peter Peer and Vitomir Štruc},
journal= {arXiv preprint arXiv:2305.05768},
year = {2023}
}