基于角度扰动增强合成人脸生成多样性
计算机视觉与模式识别
2026-02-24 v1
摘要
合成数据已成为人脸识别系统训练的实用替代方案，尤其在隐私和法律顾虑日益增长限制真实生物识别数据使用的情况下。近期进展在身份条件扩散模型中实现了逼真且身份一致的人脸图像生成，但许多模型 suffer于受限的类内变异性，这是训练稳健和可泛化 FR 模型的关键属性。本文提出 IDPERTURB，一种简单而有效的几何驱动抽样策略，用于增强合成人脸生成的多样性。IDPERTURB 在单位超球面的受限角度区域内扰动身份嵌入，生成多样化的嵌入集合，而不修改底层生成模型。每个被扰动的嵌入作为条件向量输入预训练的扩散模型，实现视觉上多样且身份连贯的人脸图像合成，适用于训练可泛化的 FR 系统。实证结果表明，使用 IDPERTURB 生成的数据集训练的 FR 模型在多个 FR 基准测试上性能优于现有合成数据生成方法。
引用
@article{arxiv.2602.18831,
title = {IDperturb: Enhancing Variation in Synthetic Face Generation via Angular Perturbation},
author = {Fadi Boutros and Eduarda Caldeira and Tahar Chettaoui and Naser Damer},
journal= {arXiv preprint arXiv:2602.18831},
year = {2026}
}
备注
Accepted at CVPR 2026