StyleID：面向风格无关性的人脸身份识别感知基准与指标
图形学
2026-04-24 v1 计算机视觉与模式识别
人机交互
多媒体
摘要
创意人脸风格化旨在以多样化的视觉语言（如卡通、素描和绘画）呈现肖像，同时保持可识别的身份。然而，当前的身份编码器通常在自然照片上训练和校准，面对风格化场景时表现脆弱。它们常常将纹理或颜色调色板的变化误认为身份漂移，或难以检测几何夸张的变化。这揭示了缺乏一种跨风格的框架来评估和监督身份在不同风格和强度下的一致性。为此，我们引入StyleID，一个面向人脸身份在风格化情境下的感知感知数据集和评估框架。StyleID 包含两个数据集：(i) StyleBench-H，一个捕获人类在扩散和流匹配风格化（multiple style strengths）下的相同-不同验证判断的基准；(ii) StyleBench-S，一个来自通过受控双向选择实验（2AFC）获得的心理学识别强度曲线（psychometric recognition-strength curves）衍生的监督数据集。利用StyleBench-S，我们微调现有的语义编码器，以对齐其在不同风格和强度下的相似性排序与人类感知一致。实验表明，我们校准后的模型与人类判断的相关性显著提高，能够更好地鲁棒地处理超出域的、艺术家绘制的人脸肖像。我们的所有数据集、代码和预训练模型均在 https://kwanyun.github.io/StyleID_page/ 公开可用。
引用
@article{arxiv.2604.21689,
title = {StyleID: A Perception-Aware Dataset and Metric for Stylization-Agnostic Facial Identity Recognition},
author = {Kwan Yun and Changmin Lee and Ayeong Jeong and Youngseo Kim and Seungmi Lee and Junyong Noh},
journal= {arXiv preprint arXiv:2604.21689},
year = {2026}
}
备注
SIGGRAPH 2026 / ACM TOG. Project page at https://kwanyun.github.io/StyleID_page/