面向常见损坏和外观变化的面部识别鲁棒性基准——OODFace
计算机视觉与模式识别
2025-03-28 v2 人工智能
密码学与安全
机器学习
摘要
随着深度学习的兴起，面部识别技术得到了广泛的研究和快速发展。尽管将面部识别视为成熟技术，但我们发现现有的开源模型和商业算法在某些复杂的离分布（OOD）场景下缺乏鲁棒性，这引发了对这些系统可靠性的担忧。本文引入 OODFace，从两个角度探讨面部识别模型面对 OOD 挑战的挑战：常见损坏和外观变化。我们系统性地设计了面向面部识别的 30 个 OOD 场景，涵盖 9 大主要类别。通过在公开数据集上模拟这些挑战，我们建立了三个鲁棒性基准：LFW-C/V、CFP-FP-C/V 和 YTF-C/V。随后，我们对 19 个面部识别模型和 3 个商业 API 进行大规模实验，并对面罩进行扩展的物理实验，以评估其鲁棒性。接下来，我们从防御策略和视觉-语言模型（VLM）的角度探索潜在解决方案。基于结果，我们提出若干关键见解，突出面部识别系统对 OOD 数据的脆弱性，并提供可能的解决方案。此外，我们提供了一个统一的工具包，包含所有损坏和变化类型，可轻易扩展至其他数据集。我们希望我们的基准和发现结果能为未来的面部识别模型鲁棒性改进提供指导。
引用
@article{arxiv.2412.02479,
title = {OODFace: Benchmarking Robustness of Face Recognition under Common Corruptions and Appearance Variations},
author = {Caixin Kang and Yubo Chen and Shouwei Ruan and Shiji Zhao and Ruochen Zhang and Jiayi Wang and Shan Fu and Xingxing Wei},
journal= {arXiv preprint arXiv:2412.02479},
year = {2025}
}