自动人脸图像质量预测
本文的研究主要关注在低质量照片中的人脸识别,作者从三个不同的质量数据集中进行了实验并使用先进的面部图像增强方法来提高识别的准确性,最终提出了一种新的低质量面部图像识别协议并得到实验验证。
Jul, 2023
本文提出了基于深度学习的人脸识别质量评估方法,该方法采用卷积神经网络 FaceQnet 对输入图像进行预测,使用 BioLab-ICAO 框架标记 VGGFace2 图像的质量信息进行训练,最终证实 FaceQnet 得分与商用系统的人脸识别准确性高度相关。
Apr, 2019
深度学习在人脸识别领域近年来越来越受关注。大量的深度学习方法已被提出来解决面临的各种问题。然而,目前关于面部图像质量对深度学习方法和人类表现的影响的研究仍较少。因此,我们提出一个问题:在无约束条件下,面部图像质量对于基于深度学习的人脸识别仍然是一个挑战吗?基于此,我们对跨质量的人脸图像进行了评估,以评估深度学习方法在野外图像上的表现,并设计了一个人脸验证实验。结果表明,在深度学习中仍需要对图像质量问题进行深入研究,并且人类在建立具有大质量差异的不同人脸图像之间的关系方面具有更好的能力,称深度学习方法超过人类水平过于乐观。
Jul, 2023
该研究旨在提高现有面部图像质量评估(FIQA)技术的性能与稳定性以适用于真实世界场景。采用基于监督质量标签优化的方法,结合特定的面部识别模型(ArcFace,ElasticFace,CurricularFace),在五个常用基准测试数据集上,对六种最新的 FIQA 方法(CR-FIQA,FaceQAN,SER-FIQ,PCNet,MagFace,SDD-FIQA)进行了全面的实验评估,取得了令人鼓舞的结果。
May, 2023
本文提出了一种基于随机子网络的人脸图像质量评估方法,使用嵌入变化来估计样本表示的健壮性和相应的图像质量,并在三个公开数据库上进行了交叉数据库评估。实验表明,此方法超过了其他学术和工业界的六种方法,表现出稳定的性能。
Mar, 2020
本文提出了一种隐私友好的大规模人脸识别替代方案,使用过自动抽取高质量人脸快照的方式以减少收集的个人数据。为此,本文开发了一个基于变分自编码器的无监督人脸图像质量评估方法,并通过实验验证了其有效性。
Jan, 2021
提出一种有效的基于 patch 的人脸图像质量评估算法,该算法综合考虑了人脸图像的几何对齐、锐度、头部姿势等因素,能够识别最正面、对齐、锐利和照明良好的图像,并在实验中表明在人脸子集的选择方面,该方法优于现有技术,使人脸识别准确度显著提高。
Apr, 2013
本研究旨在提出一种基于 PCNet 的人脸图像质量评估方法,通过自动生成图像质量训练数据,实现生成可靠的人脸图像的置信度得分,进而提高任何人脸验证模型的识别准确度,以达到三个应用目的:筛选高质量人脸进行自动注册或显示;通过拒绝低质量人脸提高 1:1 基于图像的验证错误率;在 1:1 集合验证基准测试中,提高基于质量分数的融合效果。
Sep, 2020