人脸识别中对图像分辨率的敏感性及训练策略

人脸识别方法通常依赖相等图像分辨率来验证两幅图像中的人脸。然而在实际应用中，由于不同的图像采集机制或来源，这些图像分辨率通常不在同一范围内。本工作中，我们首先利用最先进的人脸识别模型分析了图像分辨率对人脸验证性能的影响。对于合成缩减至$5\,\times\,5$像素分辨率的图像，验证性能从$99.23\%$逐渐下降至近乎$55\%$。尤其对于跨分辨率图像对（一幅高分辨率与一幅低分辨率图像），验证精度进一步下降。我们通过考察每个双图像测试对的特征距离更深入地研究了该现象。为解决此问题，我们提出以下两种方法：1）在每个批次中直接以$50\%$低分辨率图像直截了当训练最先进的人脸识别模型。2）训练孪生网络结构，并在高、低分辨率特征间添加余弦距离特征损失。两种方法均改善了跨分辨率场景，并将极低分辨率下的准确率提升至约$70\%$。但缺点是需为每一分辨率对训练特定模型。因此，我们通过一次性以多种图像分辨率训练上述方法来扩展之。特定测试图像分辨率下的性能略差，但优势在于该模型可应用于任意分辨率图像并取得整体更优性能（$97.72\%$对比$96.86\%$）。由于缺乏面向跨分辨率与等分辨率任务的任意分辨率图像基准，我们针对五个知名数据集提出了一种评估协议，聚焦于高、中、低分辨率图像。