NegFaceDiff：身份条件扩散中负向上下文在合成人脸生成中的力量
计算机视觉与模式识别
2025-08-14 v1
摘要
在人脸识别（FR）开发中，使用合成数据替代真实数据集已获得显著关注，解决了与收集和使用真实数据相关的隐私、伦理和实际问题。近期最先进的方法提出了身份条件扩散模型，以生成身份一致的人脸图像，便于将其用于训练人脸识别模型。然而，这些方法通常缺乏显式的采样机制来强制类间分离，导致生成数据中的身份重叠，进而导致人脸识别性能欠佳。在这项工作中，我们引入了 NegFaceDiff，这是一种新颖的采样方法，将负向条件纳入身份条件扩散过程。NegFaceDiff 通过利用负向条件，明确引导模型远离不需要的特征，同时保持类内一致性，从而增强了身份分离。大量实验表明，NegFaceDiff 显著提高了由身份条件扩散模型生成数据的身份一致性和分离性。具体而言，通过 Fisher 判别比（FDR）衡量的身份分离性从 2.427 增加到 5.687。这些改进体现在使用 NegFaceDiff 数据集训练的人脸识别系统上，该系统在多个基准测试中优于使用无负向条件生成数据训练的模型。
引用
@article{arxiv.2508.09661,
title = {NegFaceDiff: The Power of Negative Context in Identity-Conditioned Diffusion for Synthetic Face Generation},
author = {Eduarda Caldeira and Naser Damer and Fadi Boutros},
journal= {arXiv preprint arXiv:2508.09661},
year = {2025}
}
备注
Accepted at ICCV Workshops