低质量图像中的人脸识别:一项调查
本文分析在野外捕捉到的低质量条件下的人脸识别技术,提出了超分辨率方法、深度学习和有监督的判别学习方法来处理这个问题,并在 SCFace 和 UCCSface 数据集上进行了评估。
May, 2018
介绍了 QMUL-SurvFace benchmark,提供了低分辨率监控图像的面部识别挑战,利用五个具有代表性的深度学习面部识别模型进行了评估,结果表明目前的技术仍然远不能满足实际的刑事犯罪调查需求。
Apr, 2018
本论文主要研究如何利用检测因素来提高基于深度学习的人脸识别在低质量图像下的识别准确率,通过利用 MS-Celeb-1M 数据集并对 VGGFace2 数据集进行微调,达到了 SCFace 和 ICB-RW 基准测试的最新水平。
Jul, 2019
研究提出一种新的处理低分辨率人脸识别的框架,其中采用了多分辨率增强和基于对数指数距离函数的度量损失,能够有效克服低分辨率下表现退化的问题,并在多种实验数据集上表现出良好的识别性能。
Feb, 2023
这篇论文回顾了目前最先进的人脸检测器在高质量图像上的表现,并评估了它们在低质量图像上的鲁棒性,结果表明,手工设计或基于深度学习的人脸检测器在低质量图像上的性能下降,需要研究更加鲁棒的设计方案。
Apr, 2018
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
提出一种新的基于深度学习的 Complement Super-Resolution and Identity (CSRI) 模型,用于在低分辨率的大规模原始面部图像上进行人脸识别并构造了一个新的面向此类问题的数据集 TinyFace,与现有的基准数据集相比,TinyFace 的结果表明了该模型在解决低分辨率大规模面部图像人脸识别问题方面的优势。
Nov, 2018
本文提出了一种在嵌入空间中提高人脸可识别性的方法,该方法基于两个标准:每个面嵌入与不可识别面群集中心的接近程度以及每个面嵌入与其正面和负面类原型的接近程度,并引入了感知注意机制来关注最具识别性的面部区域。经过对三个具有挑战性的低分辨率数据集和面部质量评估进行了广泛的评估,证明了所提出的模型在 VLRFR 方面的优越性。
Apr, 2023
该综述文章深入探讨了异构人脸识别技术的已有技术及最新进展,并提供了常用的数据集和评估方法,最终对该领域进行了评估,并探讨了未来的研究方向。
Sep, 2014
本文提出了一种训练方法来 fine-tune 现代的人脸识别模型,以帮助它们提取抗分辨率的深层特征,同时也考虑了高低分辨率和低质量人脸识别的问题,并展示了使用超分辨率技术进行预处理可以更有效地使用我们的方法。
Dec, 2019