摆脱数据稀缺：高分辨率异质人脸幻构
计算机视觉与模式识别
2022-04-01 v1
摘要
在异质人脸识别（HFR）中，目标是在如可见光与热红外两个不同的域之间匹配人脸。巨大的域差异使HFR成为难题。近期尝试通过合成填补域鸿沟的方法已取得可观结果，但其性能仍受限于配对训练数据的稀缺。实践中，由于采集与标注成本高昂以及隐私法规，大规模异质人脸数据往往难以获取。本文提出一种面向HFR的人脸幻构新范式，其不仅支持数据高效合成，还允许在不违反任何隐私政策的前提下扩展模型训练。与从头学习人脸合成的现有方法不同，我们的方法特别设计以利用可见光域丰富多样的面部先验实现更保真的幻构。另一方面，通过引入一种新的联邦学习方案以实现机构间协作并避免显式数据共享，从而支持大规模训练。大量实验证明了我们的方法在应对当前数据限制下HFR问题的优势。在统一框架中，我们的方法在多个HFR数据集上取得了最先进的幻构结果。
引用
@article{arxiv.2203.16669,
title = {Escaping Data Scarcity for High-Resolution Heterogeneous Face Hallucination},
author = {Yiqun Mei and Pengfei Guo and Vishal M. Patel},
journal= {arXiv preprint arXiv:2203.16669},
year = {2022}
}
备注
CVPR2022