SymFace：用于深度人脸识别的附加面部对称性损失

在过去的十年中，利用先进的机器学习方法增强人脸识别算法的研究取得了稳步进展。损失函数在处理人脸验证问题和发挥变革性作用方面至关重要。这些损失函数主要探索了类内或类间差异。本文研究了人脸验证问题中人脸的自然对称性现象。左右半脸的对称性已在近年的许多研究领域得到广泛应用。本文明智地采用了这种简单方法，将人脸图像垂直分割成两半。基于面部对称性的自然现象可以增强人脸验证的假设，我们推测分割后两半人脸的输出嵌入向量在输出嵌入空间中应彼此接近。基于此，我们根据分割人脸嵌入的差异对网络进行惩罚。对称性损失有可能减少因面部表情和光照条件引起的微小不对称特征，从而显著增加类间方差，产生更可靠的人脸嵌入。这种损失函数能够促使任何网络在其所有架构和配置下超越其基线性能，从而使我们能够达到最先进的结果。