面向大规模人脸识别数据集的高效、无需验证的内在质量估计
计算机视觉与模式识别
2026-05-29 v1 机器学习
摘要
我们提出了内在质量（Intrinsic Quality, IQ），一种无需完整大规模训练即可估计人脸识别（FR）数据集以产生高性能模型的无验证度量标准。IQ 集成了两个组成部分：（i）一种邻域一致性得分，用于通过最近邻居量化本地身份标签一致性；（ii）全局表示子空间复杂度（有效秩，Effective Rank, ER），用于捕捉嵌入几何和数据集多样性。IQ 允许使用轻量级代理模型或数据子集进行快速评估，促进数据集诊断和筛选，避免资源密集型的大规模训练。我们描述了针对干净、噪声和混合质量 FR 数据集的实验方案，概述了评估方法以验证 IQ 对下游性能的预测能力。
引用
@article{arxiv.2605.29720,
title = {Efficient, Validation-Free Intrinsic Quality Estimation for Large-Scale Face Recognition Datasets},
author = {Zhichao Chen and Yongle Zhao and Kaicheng Yang and Meng Yang and Yin Xie and Ziyong Feng},
journal= {arXiv preprint arXiv:2605.29720},
year = {2026}
}
备注
ICML 2026