Aug, 2021

SynFace: 用合成数据进行人脸识别

HTML
PDF
TL;DR本文介绍了使用合成人脸图像的方法解决现实世界人脸识别中困难的问题，并提出了SynFace，探讨了训练人工合成和真实图像的最新人脸识别模型之间的性能差距及其原因，并提出了identity mixup和domain mixup方法来缓解性能差距。此外，对于人工合成的图像，本文还对姿态，表情，光照等因素进行了实验分析，提供了几种有效利用合成数据进行人脸识别的方法。
发现论文，激发创造
  • 使用合成数据训练深度人脸识别系统

    本研究使用 3D 可变形面部模型，通过合成数据生成具有不同面部身份和完全控制的姿态、光照和背景的图像，观察到利用合成数据可以显著降低对真实世界图像需求，在预训练后，通过微调真实图像，合成数据与真实数据相结合的模型可获得更高的性能，而且并没有负面影响。

    Feb, 2018

  • DigiFace-1M: 100万数字人脸图像用于人脸识别

    采用合成数据集进行人脸识别，通过数据扩充和精细控制属性可以显著减少真实与合成数据集之间的差异，并降低数据集的偏见和标签噪声问题，从而将识别错误率从91.93%降低到96.17%，并在较少的真实样本上训练可与百万真实样本训练相媲美的识别效果。

    Oct, 2022

  • 人脸识别的合成数据：现状和未来前景

    该研究论文探讨了合成面部数据在人脸识别领域中的应用及近期进展，以及由此带来的挑战和未来前景。研究提出合成数据作为隐私友好的替代品具有很大的潜力。

    May, 2023

  • 使用合成脸部数据进行人脸识别

    本研究利用合成数据和微调模型，在人脸识别领域取得了高精确度的成果，并研究表明模型的性能还受到脸部不同部位的影响。

    May, 2023

  • SynthDistill：合成数据知识蒸馏下的人脸识别

    通过使用综合数据，我们提出了一个新的框架（称为SynthDistill），通过提取预训练教师人脸识别模型的知识，来训练轻量级人脸识别模型，从而解决了轻量级模型训练的困难。我们使用综合数据来生成人脸图像，并且使用生成的图像来训练轻量级学生网络。实验证明，相比之前综合数据的训练模型，我们的轻量级模型达到了99.52%的LFW数据集的验证准确率，并且我们提出的框架显著减小了真实数据和综合数据训练之间的差距。

    Aug, 2023

  • 通过合成人脸降低人脸识别中真实数据的需求量

    本研究主要探讨利用合成人脸数据训练深度人脸识别模型的有效性，以减少对真实图像的依赖并解决数据收集问题，并且通过数据增强技术的应用进一步优化识别准确率。

    Apr, 2024

  • 用于人脸识别中合成和真实数据评估的大规模标注数据集

    通过对真实数据集和合成数据集进行性能比较，我们发现了真实数据集和合成数据集之间的差异，并发现真实样本足以解释合成分布，而相反情况则不成立。

    Apr, 2024

  • 揭示合成面孔：合成数据集如何暴露真实身份

    本研究针对合成面孔数据集中潜在的隐私泄露问题进行了系统性分析，发现现有合成面孔识别数据集中存在从真实数据中泄露的样本。我们设计了一种简单有效的成员推断攻击，首次展示了生成器模型训练数据的泄露情况，揭示了合成面孔识别数据集中的隐私隐患，为未来负责任的合成数据集生成研究奠定了基础。

    Oct, 2024

  • HyperFace：通过探索人脸嵌入超球面生成合成面部识别数据集

    本文解决了面部识别数据集生成中的伦理和隐私问题，提出了一种名为HyperFace的新方法，通过优化人脸嵌入空间的填充问题生成合成数据集。研究表明，采用HyperFace生成的数据集训练的面部识别模型在多项基准数据集上表现出色，达到了最先进的性能。

    Nov, 2024

  • 第二届FRCSyn进行中：胜利解决方案及后挑战分析，以改善面部识别与合成数据

    本研究针对面部识别中面临的隐私和数据多样性问题，提出通过合成数据提升面部识别技术的方案。通过第二届FRCSyn进行中的挑战，研究探讨了新颖的生成AI方法及合成数据的应用，重点解决当前面部识别中的人口偏见、领域适应和性能限制等问题。研究结果显示，合成数据在训练模型中的有效性，显著提升了面部识别系统的整体表现。

    Dec, 2024