TransFace++：从精度、效率与安全性重新审视人脸识别范式
计算机视觉与模式识别
2025-10-28 v2 人工智能
摘要
随着深度学习的出现，人脸识别（FR）技术取得了重大进展。通常，大多数现有 FR 模型构建于卷积神经网络（CNN）之上，并以 RGB 人脸图像作为模型输入。本工作中，我们从高效性、安全性和精确性角度仔细审视现有 FR 范式，并识别出以下三个问题：（i）CNN 框架在捕获全局面部特征及建模局部面部特征间关联方面存在脆弱性。（ii）选择 RGB 人脸图像作为模型输入大幅降低了模型的推理效率，增加了额外计算成本。（iii）在基于 RGB 人脸图像运行的真实世界 FR 系统中，若黑客成功渗透并获取该模型输入，用户隐私的完整性可能受损。为解决这三个问题，我们提出了两种新颖的 FR 框架，即 TransFace 和 TransFace++，分别成功探索了将 ViT 与图像字节应用于 FR 任务的可行性。在主流人脸基准上的实验证明了我们的 TransFace 和 TransFace++ 的优越性。代码见 https://github.com/DanJun6737/TransFace_pp。
引用
@article{arxiv.2308.10133,
title = {TransFace++: Rethinking the Face Recognition Paradigm with a Focus on Accuracy, Efficiency, and Security},
author = {Jun Dan and Yang Liu and Baigui Sun and Jiankang Deng and Shan Luo},
journal= {arXiv preprint arXiv:2308.10133},
year = {2025}
}
备注
This is an extended version of our previous ICCV paper "TransFace", with significant new experiments, ablation studies, and improvements published in IEEE TPAMI as "TransFace++"