FaceQAN：通过对抗噪声探索进行人脸图像质量评估
计算机视觉与模式识别
2022-12-06 v1
摘要
近年来，最先进的人脸识别（FR）方法取得了令人印象深刻的性能，然而无约束人脸识别仍是一个开放问题。人脸图像质量评估（FIQA）方法旨在估计输入样本的质量，这有助于提供关于识别决策置信度的信息，并最终在具有挑战性的场景中带来改进的结果。尽管近年来人脸图像质量评估取得了很大进展，但为多样化的人脸图像和FR模型计算可靠的质量分数仍然具有挑战性。在本文中，我们提出了一种新的人脸图像质量评估方法，称为FaceQAN，该方法基于对抗样本，并依赖于对抗噪声的分析，该噪声可使用任意通过某种形式梯度下降学习得到的FR模型来计算。因此，所提出的方法是首个将图像质量与对抗攻击联系起来的方法。我们使用四个基准数据集（即LFW、CFP-FP、XQLFW和IJB-C）、四个FR模型（即CosFace、ArcFace、CurricularFace和ElasticFace）并与七种最先进的FIQA方法进行比较，进行了全面（跨模型以及模型特定）的实验，以证明FaceQAN的性能。实验结果表明，FaceQAN取得了具有竞争力的结果，同时展现出若干理想特性。
引用
@article{arxiv.2212.02127,
title = {FaceQAN: Face Image Quality Assessment Through Adversarial Noise Exploration},
author = {Žiga Babnik and Peter Peer and Vitomir Štruc},
journal= {arXiv preprint arXiv:2212.02127},
year = {2022}
}
备注
The content of this paper was published in ICPR 2022