FaceID-6M：一个大规模、开源的 FaceID 定制数据集

由于当前人脸身份（FaceID）定制方法的数据驱动特性，所有 SOTA 模型都依赖于包含数百万高质量文本-图像对的大规模数据集进行训练。然而，这些数据集均未公开，这限制了透明度并阻碍了该领域的进一步发展。为了解决这个问题，本文收集并发布了 FaceID-6M，这是首个包含 600 万高质量文本-图像对的大规模开源 FaceID 数据集。FaceID-6M 从 LAION-5B \cite{schuhmann2022laion} 中筛选而来，经历了严格的图像和文本过滤步骤以确保数据集质量，包括用于保持高质量图像和人脸的分辨率过滤、用于去除缺乏人脸图像的人脸过滤，以及用于保留包含人类相关术语（例如，国籍、职业和姓名）描述的基于关键词的策略。通过这些清洗过程，FaceID-6M 提供了一个高质量的数据集，专为训练强大的 FaceID 定制模型而优化，通过为研究和开发提供开放资源来促进该领域的进步。我们进行了广泛的实验以展示我们 FaceID-6M 的有效性，证明在 FaceID-6M 数据集上训练的模型取得了与当前可用工业模型相当且略优的性能。此外，为了支持和推进 FaceID 定制社区的研究，我们将代码、数据集和模型完全公开。我们的代码、模型和数据集可在以下地址获取：https://github.com/ShuheSH/FaceID-6M。