基于域不可知学习的异质人脸正面化
计算机视觉与模式识别
2022-01-14 v2
摘要
深度卷积神经网络（DCNNs）的最新进展在热红外到可见光人脸合成与匹配问题上展现出令人印象深刻的性能提升。然而，当前的基于 DCNN 的合成模型在具有大姿态变化的热红外人脸上的表现不佳。为处理该问题，需要异质人脸正面化方法，即模型接收热红外侧脸图像并生成正面可见光人脸。由于两种模态之间存在大的域差异以及大的姿态差异，这是一个极其困难的问题。尽管其在生物识别和监控中有应用，该问题在文献中相对未被探索。我们提出了一种基于域不可知学习的生成对抗网络（DAL-GAN），其能从具有姿态变化的热红外人脸合成可见光域中的正面视图。DAL-GAN 由一个带辅助分类器的生成器和两个判别器组成，两个判别器捕获局部和全局纹理判别以更好地合成。在生成器的潜空间中借助双路径训练策略施加对比约束，从而改善特征向量判别性。最后，利用多目的损失函数引导网络合成保持身份的交叉域正面化。大量实验结果表明，与其他基线方法相比，DAL-GAN 能生成更高质量的正面视图。
引用
@article{arxiv.2107.08311,
title = {Heterogeneous Face Frontalization via Domain Agnostic Learning},
author = {Xing Di and Shuowen Hu and Vishal M. Patel},
journal= {arXiv preprint arXiv:2107.08311},
year = {2022}
}
备注
FG2021 camera-ready version