双步数据增强：将假面具转化为真实——面向口罩人脸检测与识别

缺乏大规模口罩人脸数据集挑战了口罩人脸检测与识别。我们提出一种双步生成式数据增强框架，结合基于规则的面具变形与通过GAN进行非配对图像到图像翻译，生成超越基于规则叠加的口罩人脸样本。在目标域约19,100张图像（仅占IAMGAN规模的3.8%）上训练，或包括域间迁移预训练后为59,600张和11.8%，所提方法在基于规则变形单独方法上实现了持续的改进，并与IAMGAN的结果互补，显示两步均贡献。评估直接在生成样本上进行，为定性评估；未采用FID和KID等定量指标，因为任何真实参考分布都会不公平地偏向训练数据更接近的模型。我们引入非口罩保留损失以减少非口罩扭曲并稳定训练，引入随机噪声注入以增强样本多样性。注意：本文最初作为课业提交，在资源受限情况下完成。随后因奖学金中止，作者兼职维持研究连续性，导致学期中域从医学影像转向口罩人脸任务 due to公司数据限制。该工作在计算资源延迟获取、无AI辅助的情况下与其他课业同步完成。提交至学期末小型会议时接受且无修订要求。后续被邀请提交至一级会议未采纳 due to持续缺乏资金。未完成下游识别或检测性能评估 due to提交期限。本说明书旨回应后续比较与批评，旁因未考虑上述条件。