面向困难冒名者与多样化人口统计的人脸验证

人脸验证旨在区分真品人脸对与冒名人脸对，前者包含相同身份，后者包含不同身份。近年所报告的性能给人以该任务已被实际解决的印象。在此，我们重新审视该问题并主张，现有评测数据集的构建采用了两种过度简化的设计选择。首先，用于构成冒名对的常规身份选择挑战性不足，因为实践中验证需检测困难冒名者。其次，现有数据集的底层人口统计往往不足以涵盖全球各地人群面部特征的广泛多样性。为缓解这些局限，我们引入了 $FaVCI2D$ 数据集。冒名对具有挑战性，因其包含从人口统计多样化身份的大型池中筛选出的视觉相似人脸。该数据集还包含与性别、国家和年龄相关的元数据，以便于对结果进行细粒度分析。$FaVCI2D$ 由可自由分发的资源生成。采用在现有数据集上性能近 100% 的先进深度模型的实验显示，在 $FaVCI2D$ 上性能显著下降，证实了我们的初始假设。同样重要的是，我们分析了近年来出现并阻碍人脸分析研究发展的法律与伦理挑战。我们引入一系列应对这些挑战的设计选择，使数据集的构建与使用更具可持续性与公平性。$FaVCI2D$ 可从~\url{https://github.com/AIMultimediaLab/FaVCI2D-Face-Verification-with-Challenging-Imposters-and-Diversified-Demographics} 获取。