如何利用 StyleGAN 提升人脸识别性能？
计算机视觉与模式识别
2023-08-01 v2 人工智能
摘要
最先进的人脸识别系统需要大量带标签的训练数据。鉴于人脸识别应用中隐私的优先性，数据仅限于网络爬取的名人图像，其存在身份数量有限等问题。另一方面，业界自监督的革命推动了将相关技术适配于人脸识别的研究。最流行的实用技巧之一是通过从生成模型采样并保留身份来扩充数据集。我们展示了一种基于微调 StyleGAN 的 pSp 编码器的简单方法，使我们能够超越最先进的人脸识别方法，并且优于在合成人脸身份上训练。我们还收集了具有可控种族构成的大规模无标签数据集——AfricanFaceSet-5M（500万张不同人物的图像）和 AsianFaceSet-3M（300万张不同人物的图像）——并且我们表明，在它们各自上进行预训练可改善对应种族（以及其他种族）的识别，而合并所有无标签数据集带来了最大的性能提升。我们的自监督策略在带标签训练数据有限时最为有用，这有利于更定制化的人脸识别任务以及面对隐私顾虑的情形。评估基于标准 RFW 数据集和新的大规模 RB-WebFace 基准。代码与数据已在 https://github.com/seva100/stylegan-for-facerec 公开。
引用
@article{arxiv.2210.10090,
title = {How to Boost Face Recognition with StyleGAN?},
author = {Artem Sevastopolsky and Yury Malkov and Nikita Durasov and Luisa Verdoliva and Matthias Nießner},
journal= {arXiv preprint arXiv:2210.10090},
year = {2023}
}
备注
16 pages, 9 figures, 11 tables; accepted to ICCV 2023