人脸识别系统的恰可察觉差异建模
计算机视觉与模式识别
2023-09-29 v2 机器学习
摘要
在监控与安全场景中，需要高质量人脸图像以保证自动人脸识别（FR）系统的稳定性与可靠性。然而，由于传输或存储限制，大量人脸数据通常在分析前被压缩。压缩图像可能丢失有力的身份信息，导致FR系统性能下降。在此，我们首次尝试研究面向FR系统的恰可察觉差异（JND），其可定义为FR系统无法察觉的最大失真。更具体地，我们建立了一个JND数据集，包含3530张原始图像以及基于通用视频编码（VVC）标准（VTM-15.0）的先进参考编解码软件生成的137,670张压缩图像。随后，我们开发了一种新颖的JND预测模型，直接推断FR系统的JND图像。特别地，为在不损害鲁棒身份信息的前提下实现最大冗余去除，我们应用带有多特征提取与基于注意力的特征分解模块的编码器，通过自监督学习将人脸特征逐步分解为两个不相关分量，即身份特征与残差特征。然后，残差特征被送入解码器生成残差图。最后，将残差图从原始图像中减去得到预测的JND图。实验结果表明，相较于最先进的JND模型，所提模型实现了更高的JND图预测精度，并且相较于VTM-15.0，能在保持FR系统性能的同时节省更多比特。
引用
@article{arxiv.2209.05856,
title = {Just Noticeable Difference Modeling for Face Recognition System},
author = {Yu Tian and Zhangkai Ni and Baoliang Chen and Shurun Wang and Shiqi Wang and Hanli Wang and Sam Kwong},
journal= {arXiv preprint arXiv:2209.05856},
year = {2023}
}
备注
MegaFace dataset we used in the manuscript are no longer publicly available