探索除人脸识别之外的去耦合特征表示
本文提出了一种新型的人脸反欺诈方法,旨在通过解缠活体特征和内容特征从图像中提取最终进行分类的活体特征,并采用卷积神经网络和低层级和高层级监控的结合来提高其泛化能力,并在公共基准数据集上进行了充分的实验结果验证。
Aug, 2020
本文提出了一种直观而有效的自监督方法,通过跨不同形状交换任意特征来培训三维形状变分自编码器,从而鼓励特征的解缠缚潜在表示。实验结果表明,我们开发的方法正确解耦了身体和面部特征的生成,同时保持了良好的表示和重构能力。
Nov, 2021
本研究开发了 IDistill 方法,利用自编码器学习域信息,并将其精炼为分类器,以便教会它分离身份信息。在三个数据库中它超越了其他方法,并在另外两个数据库中表现出竞争力,有望用于预防生物测量系统攻击中的模拟攻击。
Jun, 2023
本文提出了一种弱监督解缠框架(WSDF),通过两分支编码器和专用的身份一致性先验实现了身份和表情控制因素的解缠,进而通过基于张量的组合机制重新关联这些因素。还引入了中性库,仅使用身份标签即可精确获取特定主体的信息,避免了因监督不足而导致的退化。此外,该框架还结合了一个无标签的二次损失函数来调节变形空间和消除多余信息,从而实现了增强的解缠效果。通过大量实验证明了 WSDF 的卓越性能。
Apr, 2024
本文提出了一种新型的自我监督混合模型(DAE-GAN),它结合了两个形变自编码器及条件生成的最新进展,用于学习如何在大量未标记视频的情况下自然地再现人脸,并且在 VoxCeleb1 和 RaFD 数据集上得到了优秀的实验结果,表明了重新表演图像的优异品质和在不同身份之间转移面部动作的灵活性。
Mar, 2020
本论文提出了一种利用神经网络学习解开图像可控制性表示从而允许局部图像操作的方法,能够直接转移面部特定区域如眼睛、头发和嘴巴等部分的形状和颜色,而其他部位不变,通过使用定位的 ResNet 自编码器和几个损失函数进行训练,利用 CelebA 数据集检验了该方法的良好效果。
Aug, 2019
提出一种新的双阶段解缠表示学习方法,可以更好地检测未见攻击类型,以防止过度拟合于预定义的欺骗攻击类型,并在多个交叉类型的面部反欺骗基准测试中表现出卓越的准确性。
Oct, 2021
本文提供了一种使用预训练网络来学习数据的解缠表示的方法,以实现最小的监督,同时展示了该方法在头部图像领域上成功将身份从其他面部属性中解缠并显示出较好的评估结果。
May, 2020
通过利用自动编码器将面部图像向量转化为新的表示,本研究提出一种缩小有标签训练数据差距的方法,从而在无监督的人脸验证技术方面取得了 56%的 EER 相对改进,成功缩小了余弦和 PLDA 评分系统之间的性能差距。
Dec, 2023