面向极低分辨率人脸识别与质量估计的可识别性嵌入增强
计算机视觉与模式识别
2023-04-21 v1
摘要
极低分辨率人脸识别（VLRFR）带来独特挑战，例如由于采集设备的极远站立距离或宽视角导致的微小感兴趣区域与低分辨率。本文中，我们研究在嵌入空间中提升人脸可识别性而非视觉质量的原则性方法。我们首先基于两个准则 formulate 一个鲁棒的基于学习的人脸可识别性度量，即可识别性指数（RI）：(i) 各人脸嵌入与不可识别人脸簇中心的距离；(ii) 各人脸嵌入与其正类和负类原型的距离。我们随后设计一种指数偏移损失，将低 RI 的难识别人脸嵌入推离不可识别人脸簇以提升 RI，其反映更好的可识别性。此外，引入可感知注意力机制以关注最具可识别性的人脸区域，其为嵌入学习提供更好的可解释与判别特性。我们提出的模型端到端训练，同时服务于可识别性感知嵌入学习与人脸质量估计。针对 VLRFR，我们在三个具挑战性的低分辨率数据集及人脸质量评估上的广泛评估证明了所提模型相对于最先进方法的优越性。
引用
@article{arxiv.2304.10066,
title = {Recognizability Embedding Enhancement for Very Low-Resolution Face Recognition and Quality Estimation},
author = {Jacky Chen Long Chai and Tiong-Sik Ng and Cheng-Yaw Low and Jaewoo Park and Andrew Beng Jin Teoh},
journal= {arXiv preprint arXiv:2304.10066},
year = {2023}
}
备注
Accepted to CVPR23