关于真实场景下的低分辨率人脸识别：对比与新方法
计算机视觉与模式识别
2019-04-01 v2
摘要
尽管近年来人脸识别系统取得了令人印象深刻的性能，低分辨率人脸识别（LRFR）任务仍然具有挑战性，尤其是当低分辨率人脸在非理想条件下采集时，这在基于监控的应用中十分常见。此类条件下采集的人脸常受到模糊、非均匀光照和非正面姿态的污染。本文中，我们分析了使用真实场景下低质量条件采集数据的人脸识别技术。我们对真实监控应用中两个最重要的应用进行了实验结果的综合分析，并展示了处理这两类情况且具有良好前景的实用方法。主要贡献如下：{\em (i)} 我们进行了评估超分辨率方法用于低分辨率人脸识别的实验；{\em (ii)} 我们在多个公开人脸数据集（包括真实监控数据及大规模数据集的低分辨率子集）上研究了人脸重识别，给出了若干基于深度学习方法的基础结果，并通过引入 GAN 预训练方法与全卷积架构对其进行了改进；以及 {\em (iii)} 我们采用一种最先进的监督判别学习方法来探索低分辨率人脸辨识。评估在 SCFace 与 UCCSface 数据集的挑战性子集上进行。
引用
@article{arxiv.1805.11529,
title = {On Low-Resolution Face Recognition in the Wild: Comparisons and New Techniques},
author = {Pei Li and Loreto Prieto and Domingo Mery and Patrick Flynn},
journal= {arXiv preprint arXiv:1805.11529},
year = {2019}
}