FaceQgen：用于人脸图像质量评估的半监督深度学习
计算机视觉与模式识别
2022-01-04 v1 图像与视频处理
摘要
本文中我们开发了FaceQgen，一种基于生成对抗网络（Generative Adversarial Network, GAN）的无参考人脸图像质量评估方法，其生成与人脸识别精度相关的标量质量度量。FaceQgen不需要带标签的质量度量进行训练。它使用SCface数据库从零开始训练。FaceQgen对未知质量的人脸图像进行图像复原，将其变换为规范的高质量图像，即正面姿态、均匀背景等。质量估计构建为原始图像与复原图像之间的相似度，因为低质量图像由于复原而发生更大变化。我们比较了三种不同的数值质量度量：a) 原始图像与复原图像之间的MSE，b) 它们的SSIM，以及 c) GAN判别器的输出分数。结果表明FaceQgen的质量度量是人脸识别精度的良好估计量。我们的实验包括与专为人脸和通用图像设计的其他质量评估方法的比较，以将FaceQgen定位在最先进水平。该比较显示，尽管FaceQgen在人脸识别精度预测方面未超越现有最佳人脸质量评估方法，但其取得了足够好的结果以证明半监督学习方法用于质量估计的潜力（特别是基于每个对象单张高质量图像的数据驱动学习），且未来通过对模型适当精炼有提升性能的能力，并具有相较于竞争方法无需质量标签即可开发的显著优势。这使得FaceQgen灵活且可扩展，无需昂贵的数据整理。
引用
@article{arxiv.2201.00770,
title = {FaceQgen: Semi-Supervised Deep Learning for Face Image Quality Assessment},
author = {Javier Hernandez-Ortega and Julian Fierrez and Ignacio Serna and Aythami Morales},
journal= {arXiv preprint arXiv:2201.00770},
year = {2022}
}