用于自然环境下人脸识别的有效适配器

本文应对自然环境下人脸识别的挑战，其中图像常受低质量和真实世界失真的影响。传统的启发式方法——要么直接在这些退化图像上训练模型，要么使用人脸恢复技术在其增强的对应图像上训练——已被证明是无效的，这主要是由于面部特征的退化和图像域的差异。为了克服这些问题，我们提出了一种有效的适配器，用于增强在高质量人脸数据集上训练的现有人脸识别模型。我们适配器的关键在于使用两个相似的结构处理未细化和增强的图像，其中一个固定，另一个可训练。这种设计带来两个好处。首先，双输入系统最小化了域差距，同时为人脸识别模型提供了不同视角，其中增强图像可被视为恢复模型对原图进行的复杂非线性变换。其次，这两个相似结构都可以通过预训练模型进行初始化，而不会丢失过去的知识。在零样本设置下的大量实验表明了我们方法的有效性，在三个数据集上分别超越基线约 3%、4% 和 7%。我们的代码将公开发布。