深入解析低分辨率人脸识别中的分辨率增强与度量：一个简洁而有效的新基线
计算机视觉与模式识别
2023-02-14 v1
摘要
尽管深度学习已显著改进人脸识别（FR），但在处理低分辨率（LR）人脸时可能出现严重的性能退化。为此，一些基于统一特征空间的方法被提出，却以高分辨率（HR）场景下性能下降为代价。为应对 HR 与 LR 域之间的巨大域差距并在两个域上均取得最佳效果，我们首先细致考察了若干分辨率增强的影响，并从不同分辨率样本所产生的模型梯度角度分析了 LR 样本的难度。此外，我们还发现某些分辨率的引入有助于更低分辨率的学习。基于此，我们根据分辨率将 LR 样本划分为三种难度，并提出更有效的多分辨率增强。接着，由于分辨率降低时域差距迅速增大，我们精心设计了一种基于 LogExp 距离函数的新颖有效度量损失，该函数提供适度的梯度以防止在收敛点附近振荡或对微小距离误差具有容忍度；它还能动态调整对不同维度误差的惩罚，从而更多优化误差较大的维度。结合这两点洞见，我们的模型能在宽分辨率范围图像中学习到更通用的知识，且我们极简的框架可实现均衡的结果。此外，增强与度量是 LRFR 的基石，故我们的方法可被视为 LRFR 任务的新基线。在 LRFR 数据集 SCface、XQLFW 及大规模 LRFR 数据集 TinyFace 上的实验证明了方法的有效性，同时在 HRFR 数据集上的性能退化显著减小。
引用
@article{arxiv.2302.05621,
title = {Dive into the Resolution Augmentations and Metrics in Low Resolution Face Recognition: A Plain yet Effective New Baseline},
author = {Xu Ling and Yichen Lu and Wenqi Xu and Weihong Deng and Yingjie Zhang and Xingchen Cui and Hongzhi Shi and Dongchao Wen},
journal= {arXiv preprint arXiv:2302.05621},
year = {2023}
}
备注
AAAI 2023 R2HCAI Workshop