CVPRMar, 2020

SER-FIQ: 基于随机嵌入鲁棒性的无监督人脸图像质量估计

PDF
TL;DR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。
face quality assessmentface recognitionunsupervised learningembedding variationscross-database evaluation
发现论文，激发创造
  • 无监督嵌入质量评估

    研究了评估深度神经网络自监督学习中表示质量的多种方法，包括信息嵌入量、线性可分性等，通过实验结果发现了可以无监督评估嵌入质量的方法。

    May, 2023

  • 自动人脸图像质量预测

    通过支持向量回归模型与卷积神经网络提取的人脸特征预测人脸图像质量，利用人类对人脸图像质量的评估创建跨库评估的人脸图像预测器，在减少 FNMR 方面表现出极高的效果，是第一个成功应用人工评估的跨库人脸质量预测研究。

    Jun, 2017

  • 人脸质量评估及其与人种和非人种偏见在人脸识别中的相关性

    本文分析了人脸质量评估和识别偏见之间的相关性，发现当前人脸质量评估算法也存在偏见，应注意公平和歧视问题。

    Apr, 2020

  • 智能画框选取作为人脸识别的隐私友好替代方案

    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

  • 基于优化的人脸图像质量评估技术的改进

    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

  • 人脸图像质量增强用于人脸识别的研究

    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

  • 基于补丁的概率图像质量评估用于人脸选择和视频人脸识别改进

    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

  • 极低分辨率人脸识别及质量评估的可识别嵌入增强

    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

  • 边缘上的人脸质量评估的高效方法

    通过向人脸关键点检测网络中追加单层网络以进行面部质量分数回归，提出了一种针对边缘设备的人脸质量评分回归算法，可在识别准确度更高的前提下保证处理效率。

    Jul, 2022

  • Re-IQA: 野外图像质量评估的无监督学习

    本文提出了一种混合专家方法来进行自动感知图像质量评估，使用 Re-IQA 框架训练两个独立的编码器来学习高级和低级图像特征，并使用得到的图像表示来训练线性回归模型以提高评估准确性。实验表明，深度神经网络在无监督设置下训练可以产生具有感知相关性的表示。

    Apr, 2023