DVG-Face：用于异质人脸识别的对偶变分生成
计算机视觉与模式识别
2021-01-19 v2
摘要
异质人脸识别（HFR）指跨域人脸匹配，在公共安全中起着关键作用。然而，HFR 面临来自大域差异和异质数据不足的挑战。在本文中，我们将 HFR 表述为一个对偶生成问题，并通过一种新颖的对偶变分生成（DVG-Face）框架来解决它。具体地，精心设计一个对偶变分生成器来学习配对异质图像的联合分布。然而，小规模的配对异质训练数据可能限制采样的身份多样性。为突破该限制，我们提出将大规模可见光数据的丰富身份信息整合进联合分布。此外，对生成的配对异质图像施加成对身份保持损失以确保其身份一致性。因此，可从噪声生成大量具有相同身份的新多样配对异质图像。身份一致性与身份多样性特性使我们能够通过对比学习机制利用这些生成的图像训练 HFR 网络，从而得到域不变且具判别性的嵌入特征。具体而言，生成的配对异质图像被视为正对，从不同采样获得的图像被视为负对。我们的方法在属于五个 HFR 任务（包括近红外-可见光、草图-照片、侧脸-正脸照片、热红外-可见光和证件-相机）的七个挑战性数据库上取得了优于最先进方法的性能。相关代码将发布于 https://github.com/BradyFU。
引用
@article{arxiv.2009.09399,
title = {DVG-Face: Dual Variational Generation for Heterogeneous Face Recognition},
author = {Chaoyou Fu and Xiang Wu and Yibo Hu and Huaibo Huang and Ran He},
journal= {arXiv preprint arXiv:2009.09399},
year = {2021}
}
备注
Accepted by IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)