基于嵌入离散化的人脸身份检索无学习方法

人脸识别系统依赖学习高度判别性和紧凑的身份聚类，以实现准确的检索。然而，由于其潜在的未授权身份跟踪风险，这类系统在监控导向的技术中引发严重的隐私关注。虽然已有研究探索了将机器无学习作为隐私保护手段，但其在人脸检索中的适用性——尤其是针对现代基于嵌入的识别模型——仍 largely 未被探索。本文研究了人脸身份无学习问题及其检索系统中的内在挑战。目标是通过在超球面上分散其嵌入，使选定身份无法被检索，并防止形成促使在画廊中重新识别的紧凑身份聚类。主要挑战在于在保持嵌入空间判别结构和模型对剩余身份检索性能的同时实现此忘却效果。为此，我们评估了Several 既有近似类无学习方法（如随机标签、梯度上升、边界无学习等）于人脸检索情境，并提出一种简单而有效的基于离散化的无学习方法。在VGGFace2、CelebA等标准基准上的大量实验表明，我们的方法在保持检索实用性的同时实现了优异的忘却效果。