EFHQ：多用途 ExtremePose-Face-HQ 数据集
计算机视觉与模式识别
2024-04-15 v4
摘要
现有的人脸数据集虽然在近正面视图下拥有大量图像，但缺乏极端头部姿态的图像，导致深度学习模型在处理侧面或俯仰人脸时性能下降。本工作旨在通过引入一个名为极端姿态人脸高质量数据集 (EFHQ) 的新数据集来填补这一空白，该数据集包含多达 45 万张极端姿态下的高质量人脸图像。为了生成如此庞大的数据集，我们利用一种新颖且细致的数据集处理流程来精选两个公开可用的数据集 VFHQ 和 CelebV-HQ，它们包含在各种设置下捕获的许多高分辨率人脸视频。我们的数据集可以补充现有关于各种人脸相关任务的数据集，例如具有 2D/3D 感知 GAN 的人脸合成、基于扩散的文本到图像人脸生成以及人脸重演。具体而言，使用 EFHQ 进行训练有助于模型在不同姿态下具有良好的泛化能力，显著提高涉及极端视角场景的性能，这一点已通过大量实验得到证实。此外，我们利用 EFHQ 定义了一个具有挑战性的跨视图人脸验证基准，其中 SOTA 人脸识别模型的性能相较于正面到正面场景下降了 5-37%，旨在激发对野外严重姿态条件下人脸识别的研究。
引用
@article{arxiv.2312.17205,
title = {EFHQ: Multi-purpose ExtremePose-Face-HQ dataset},
author = {Trung Tuan Dao and Duc Hong Vu and Cuong Pham and Anh Tran},
journal= {arXiv preprint arXiv:2312.17205},
year = {2024}
}
备注
Project Page: https://bomcon123456.github.io/efhq/