面向情感深度人脸的合成数据生成：在隐空间中通过遗传算法优化条件 DCGAN 并利用知识蒸馏稳定训练
计算机视觉与模式识别
2025-08-14 v1
摘要
情感计算面临一个重大挑战：缺乏高质量、多样化的深度人脸数据集来识别微妙的情感表达。我们提出了一个使用带有知识蒸馏（EMA 教师模型）的优化 GAN 进行合成深度人脸生成的框架，以稳定训练、提高质量并防止模式崩溃。我们还应用遗传算法基于图像统计进化 GAN 隐向量，提升了目标情感的多样性和视觉质量。该方法在多样性和质量上均优于 GAN、VAE、GMM 和 KDE。对于分类任务，我们提取并拼接 LBP、HOG、Sobel 边缘和强度直方图特征，使用 XGBoost 实现了 94% 和 96% 的准确率。使用 FID、IS、SSIM 和 PSNR 进行评估，结果显示相比 SOTA 方法具有持续的改进。
引用
@article{arxiv.2508.09188,
title = {Synthetic Data Generation for Emotional Depth Faces: Optimizing Conditional DCGANs via Genetic Algorithms in the Latent Space and Stabilizing Training with Knowledge Distillation},
author = {Seyed Muhammad Hossein Mousavi and S. Younes Mirinezhad},
journal= {arXiv preprint arXiv:2508.09188},
year = {2025}
}