利用合成数据缓解儿童面部识别中的纵向性能衰减
计算机视觉与模式识别
2026-01-06 v1
摘要
儿童纵向人脸识别因面部快速非线性生长仍然具有挑战性，该生长会导致模板漂移以及随时间增加的验证错误。本文研究合成人脸数据是否可作为纵向稳定器，通过改善儿童人脸识别模型的时序鲁棒性。我们在 Young Face Aging (YFA) 数据集上使用身份不相干协议，评估三个设置：(i) 使用预训练的 MagFace 嵌入且不进行数据集特定的微调；(ii)仅使用真实训练面孔进行 MagFace 微调；(iii)使用真实和合成训练面孔的组合进行 MagFace 微调。合成数据使用 StyleGAN2 ADA 生成，并仅用于训练身份中；应用后处理过滤步骤以缓解身份泄漏并移除受损伤样本。结果在验证间隔从 6 个月到 36 个月范围内显示，合成数据增强的微调显著优于预训练基线和仅使用真实数据的微调。这些发现为改善儿童人脸识别中的身份持久性提供了风险意识的评估。
引用
@article{arxiv.2601.01689,
title = {Mitigating Longitudinal Performance Degradation in Child Face Recognition Using Synthetic Data},
author = {Afzal Hossain and Stephanie Schuckers},
journal= {arXiv preprint arXiv:2601.01689},
year = {2026}
}