边缘上的人脸质量评估的高效方法
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
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
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神经网络的人脸识别质量评分方法,该方法在提取特征向量时给出一个明确的定量质量评分,不需要训练用于注释的人脸质量标签数据集,适用于在线的视频人脸识别。
May, 2021
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
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
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
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