IDiff-Face：基于合成数据的通过模糊身份条件扩散模型的人脸识别
计算机视觉与模式识别
2023-08-11 v2
摘要
大规模真实人脸数据库的可用性对于过去十年人脸识别研究取得的重大进展至关重要。然而，法律和伦理问题导致这些数据库的许多创建者最近撤回了它们，引发了在没有这一关键资源的情况下未来人脸识别研究能否持续的问题。合成数据集已成为用于人脸识别开发的、替代隐私敏感真实数据的一种有前景的方案。然而，最近用于训练人脸识别模型的合成数据集要么在类内多样性方面存在局限，要么在跨类（身份）判别性方面存在不足，导致准确率不够理想，远落后于在真实数据上训练的模型所达到的准确率。本文针对此问题，提出 IDiff-Face，一种基于条件潜扩散模型的新方法，用于生成具有真实身份变化的合成身份以进行人脸识别训练。通过广泛评估，我们提出的基于合成数据的人脸识别方法推动了最先进性能的极限，例如在 Labeled Faces in the Wild (LFW) 基准上达到 98.00% 的准确率，远超近期基于合成数据的人脸识别方案的 95.40%，并缩小了与基于真实数据的人脸识别 99.82% 准确率的差距。
引用
@article{arxiv.2308.04995,
title = {IDiff-Face: Synthetic-based Face Recognition through Fizzy Identity-Conditioned Diffusion Models},
author = {Fadi Boutros and Jonas Henry Grebe and Arjan Kuijper and Naser Damer},
journal= {arXiv preprint arXiv:2308.04995},
year = {2023}
}
备注
Accepted at ICCV2023