TransFIRA：面向人脸图像可识别性评估的迁移学习
计算机视觉与模式识别
2026-04-01 v2 人工智能
机器学习
摘要
人脸识别在受限环境下（如监控、视频和网络图像）必须应对姿态、模糊、光照和遮挡等极端变化，其中传统视觉质量指标无法预测输入对部署编码器的真实可识别性。现有的FIQA方法通常依赖视觉启发、精选注释或计算密集的生成管道，导致其预测与编码器决策几何脱节。我们引入TransFIRA（Transfer Learning for Face Image Recognizability Assessment），一个轻量且无需注释的框架，直接在嵌入空间中实现可识别性。TransFIRA提供三项创新：(i)通过类中心相似性（CCS）和类中心角度分离（CCAS）定义可识别性，获得第一个自然、决策边界对齐的筛选和加权准则；(ii)实现基于可识别性的聚合策略，在BRIAR和IJB-C上实现最先进的验证准确率，同时几乎翻倍与真实可识别性的相关性，无需外部标签、启发或特定 backbone 的训练；(iii)超越人脸的新扩展，包括面向编码器的解释性，揭示退化和主题相关因素如何影响可识别性，以及首个实现身体可识别性评估的方法。实验确认在人脸上的最先进结果，在身体识别上的强性能，在跨数据集漂移和分布外评估下的鲁棒性。总体而言，这些贡献建立了TransFIRA作为统一、几何驱动的可识别性评估框架，使其针对特定编码器、准确、可解释且跨模态可扩展，显著推进了FIQA在准确性、可解释性和范围方面的发展。
引用
@article{arxiv.2510.06353,
title = {TransFIRA: Transfer Learning for Face Image Recognizability Assessment},
author = {Allen Tu and Kartik Narayan and Joshua Gleason and Jennifer Xu and Matthew Meyn and Tom Goldstein and Vishal M. Patel},
journal= {arXiv preprint arXiv:2510.06353},
year = {2026}
}
备注
Project Page: https://transfira.github.io/