ID$^3$：面向合成人脸识别的身份保持且多样化扩散模型

合成人脸识别 (SFR) 旨在生成模拟真实人脸数据分布的合成人脸数据集，从而允许在不涉及隐私的前提下训练人脸识别模型。尽管扩散模型在图像生成方面显示出巨大潜力，但当前基于扩散的 SFR 模型在针对真实世界人脸的泛化性方面存在挑战。为此，我们概述了 SFR 的三个关键目标：(1) 在不同身份之间促进多样性 (跨类多样性)，(2) 通过注入各种面部属性在每个身份内确保多样性 (类内多样性)，(3) 在每个身份组内维持身份一致性 (类内身份保持)。鼓励这些目标，我们引入一种称为 $\text{ID}^3$ 的扩散驱动 SFR 模型。$\text{ID}^3$ 采用身份保持损失生成具有多样性又身份一致的面部外观。理论上，我们表明，最小化该损失等价于最大化对身份保持数据上调整后条件对数似然的下界。此等价性激励了一个在调整后梯度向量场上运行的身份保持采样算法，使生成的假人脸识别数据集能够逼近真实世界人脸的分布。广泛的实验在五个具有挑战性的基准测试中验证了$\text{ID}^3$ 的优势。