面向基于合成数据的人脸识别的身份驱动三玩家生成对抗网络
计算机视觉与模式识别
2023-05-02 v1
摘要
许多人脸识别开发中常用的数据集是从互联网上收集的，未获得用户适当同意。随着社会和法律法规对隐私的日益关注，这些数据集的使用和分发正受到限制和强烈质疑。这些数据库对每个身份具有现实的高数据差异性，从而促成了人脸识别模型的成功。为了延续这一成功并符合隐私关切，纯粹由合成人物组成的合成数据库正越来越多地创建并用于人脸识别解决方案的开发。在本工作中，我们提出了一个三玩家生成对抗网络（GAN）框架，即 IDnet，其能够将身份信息整合到生成过程中。我们的 IDnet 中的第三玩家旨在迫使生成器学习生成身份可分离的人脸图像。我们经实验证明，与传统的双玩家 GAN 相比，我们的 IDnet 合成图像具有更高的身份判别性，同时保持了真实的身份内差异。我们进一步研究了用于训练生成器的真实身份与生成的合成身份之间的身份关联，显示出这些身份之间的相似度极低。我们通过在广泛的人脸识别基准上评估这些模型，证明了我们的 IDnet 数据在训练人脸识别模型中的适用性。与基于合成数据的人脸识别中的最先进（SOTA）工作相比，我们的解决方案取得了与近期基于渲染的方法相当的结果，并优于所有现有的基于 GAN 的方法。训练代码和合成人脸图像数据集已公开可用（https://github.com/fdbtrs/Synthetic-Face-Recognition）。
引用
@article{arxiv.2305.00358,
title = {Identity-driven Three-Player Generative Adversarial Network for Synthetic-based Face Recognition},
author = {Jan Niklas Kolf and Tim Rieber and Jurek Elliesen and Fadi Boutros and Arjan Kuijper and Naser Damer},
journal= {arXiv preprint arXiv:2305.00358},
year = {2023}
}
备注
Accepted at CVPR Workshops