SynFace：基于合成数据的人脸识别
计算机视觉与模式识别
2021-12-06 v2
摘要
随着深度神经网络近期的成功，人脸识别取得了显著进展。然而，为人脸识别收集大规模真实世界训练数据已变得颇具挑战，尤其是由于标签噪声与隐私问题。同时，现有人脸识别数据集通常采集自网络图像，缺乏关于属性（如姿态与表情）的详细标注，因此不同属性对人脸识别的影响鲜有研究。本文中，我们利用合成人脸图像（即 SynFace）解决上述人脸识别问题。具体而言，我们首先探究了近期最先进的人脸识别模型在合成与真实人脸图像训练下的性能差距。随后我们分析了性能差距背后的潜在原因，例如较差的类内变化以及合成与真实人脸图像间的域间隙。受此启发，我们设计了具有身份混合（IM）与域混合（DM）的 SynFace 以缓解上述性能差距，展示了合成数据在人脸识别中的巨大潜力。此外，借助可控人脸合成模型，我们可轻松调控合成人脸生成的各类因素，包括姿态、表情、光照、身份数量及每身份样本数。因此，我们还对合成人脸图像进行了系统的实证分析，以提供关于如何有效利用合成数据进行人脸识别的见解。
引用
@article{arxiv.2108.07960,
title = {SynFace: Face Recognition with Synthetic Data},
author = {Haibo Qiu and Baosheng Yu and Dihong Gong and Zhifeng Li and Wei Liu and Dacheng Tao},
journal= {arXiv preprint arXiv:2108.07960},
year = {2021}
}
备注
Accepted by ICCV 2021. Code is available at https://github.com/haibo-qiu/SynFace