IG-FIQA：通过类内方差引导改进人脸图像质量评估，对不准确伪标签具有鲁棒性
计算机视觉与模式识别
2025-05-07 v1
摘要
在人脸图像质量评估（FIQA）领域，基于样本相对分类的方法已展现出令人印象深刻的性能。然而，在此类方法中，从类内方差较低的类别图像中分配的用作伪标签的质量分数可能与实际质量无关。为解决这一问题，我们提出了IG-FIQA，一种引导FIQA训练的新方法，通过引入一个权重参数来减轻这些类别的不利影响。该方法涉及在训练期间的每次迭代中估计样本类内方差，确保了最小的计算开销和直接的实现方式。此外，本文提出了一种动态数据增强方法，以提升FIQA的泛化性能。在多个基准数据集上，我们提出的方法IG-FIQA取得了新的最先进（SOTA）性能。
引用
@article{arxiv.2403.08256,
title = {IG-FIQA: Improving Face Image Quality Assessment through Intra-class Variance Guidance robust to Inaccurate Pseudo-Labels},
author = {Minsoo Kim and Gi Pyo Nam and Haksub Kim and Haesol Park and Ig-Jae Kim},
journal= {arXiv preprint arXiv:2403.08256},
year = {2025}
}