SDD-FIQA：基于相似度分布距离的无监督人脸图像质量评估
计算机视觉与模式识别
2021-03-11 v1
摘要
近年来，人脸图像质量评估（FIQA）已成为人脸识别系统中不可或缺的一部分，用以在非受限场景下保证识别性能的稳定性和可靠性。为此，FIQA方法应同时考虑人脸图像的内在属性和可识别性。以往大多数工作旨在估计样本级嵌入不确定性或成对相似度作为质量分数，仅利用了类内部分信息。然而，这些方法忽略了来自类间的有价值信息，而类间信息可用于估计人脸图像的可识别性。本文中，我们认为高质量人脸图像应与其类内样本相似、与其类间样本不相似。因此，我们提出了一种新颖的无监督FIQA方法，将相似度分布距离用于人脸图像质量评估（SDD-FIQA）。我们的方法通过计算类内相似度分布与类间相似度分布之间的Wasserstein距离（WD）来生成质量伪标签。利用这些质量伪标签，我们能够训练一个回归网络进行质量预测。在基准数据集上的大量实验表明，所提出的SDD-FIQA以显著优势超越了现有最优方法（state-of-the-arts）。同时，我们的方法在不同识别系统间表现出良好的泛化能力。
引用
@article{arxiv.2103.05977,
title = {SDD-FIQA: Unsupervised Face Image Quality Assessment with Similarity Distribution Distance},
author = {Fu-Zhao Ou and Xingyu Chen and Ruixin Zhang and Yuge Huang and Shaoxin Li and Jilin Li and Yong Li and Liujuan Cao and Yuan-Gen Wang},
journal= {arXiv preprint arXiv:2103.05977},
year = {2021}
}