从模态到风格：重新思考异构人脸识别中的域间差异

异构人脸识别（Heterogeneous Face Recognition, HFR）旨在匹配来自不同域的面部图像，例如热成像图像与可见光图像，使人脸识别系统在挑战性场景中更具灵活性。然而，这些域之间的域间差异以及目标HFR模态中规模受限的数据集，使得从头开发鲁健的HFR模型具有挑战性。在本工作中，我们将不同的模态视为不同的风格，提出一种调制目标模态特征图的方法以解决域间差异。我们提出了新的条件自适应实例调制（Conditional Adaptive Instance Modulation, CAIM）模块，可无缝集成到现有人脸识别网络中，将其转化为HFR就绪系统。CAIM模块调制中间特征图，有效地适应源模态的风格，从而弥合域间差异。我们的方法 enables 使用小量配对样本进行端到端训练。我们在各种具有挑战性的HFR基准数据集上广泛评估了所提出的方法，表明其优于当前最先进的方法。将公开提供源代码和复现研究结果的协议。