May, 2023

基于优化的人脸图像质量评估技术的改进

PDF
TL;DR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。
face recognitionimage quality assessmentsupervised optimizationtargeted fr modelsreal-world scenarios
发现论文，激发创造
  • CR-FIQA: 通过学习样本相对可分类性进行面部图像质量评估

    本文提出一种学习范式以及建立基于其的面部图像质量评估算法（CR-FIQA），通过预测面部图像样本的相对分类能力来估计其质量，并通过角度空间中的训练样本表征来测量相对分类能力。该方法在面部识别模型训练中同时进行优化，并经过大量实验表明其在 8 个基准和 4 个面部识别模型上具有优越性。

    Dec, 2021

  • IG-FIQA: 基于类内方差引导的人脸图像质量评估方法，对不准确的伪标签具有鲁棒性

    IG-FIQA 是一种基于样本相对分类的面部图像质量评估方法，引入了权重参数来减轻低类内差异类别图像关联实际质量的问题，并提出了在训练中估计样本类内差异的方法，同时还采用了即时数据增强技术以提升泛化性能，实验结果显示 IG-FIQA 在多个基准数据集上达到了新的最先进性能。

    Mar, 2024

  • GraFIQs：使用梯度幅度进行人脸图像质量评估

    基于对预训练模型权重的改变进行检查以评估人脸图像质量，采用批量归一化算法（BNS）的差异性作为评价指标，通过反向传播计算梯度大小来得出人脸图像的质量。通过全面实验，证明我们的方法不需要质量标签，也不需要训练回归网络或设计优化特定损失函数，仍能达到与最新技术水平相媲美的性能。

    Apr, 2024

  • DifFIQA: 使用去噪扩散概率模型进行人脸图像质量评估

    本文提出了一种新的人脸图像质量评估方法 DifFIQA，它基于去噪扩散概率模型（DDPM）的前向和后向过程来评估人脸图像的质量。该方法通过量化 DDPM 造成的扰动对相应图像嵌入的影响，并将其用于质量预测。此外还提出了基于回归的质量预测器 DifFIQA（R），以平衡性能和执行时间。该方法在 7 个数据集上进行了全面的实验，并与 4 个目标 FR 模型和 10 个最先进的 FIQA 技术进行了对比，表现良好。

    May, 2023

  • SDD-FIQA: 基于相似度分布距离的无监督人脸图像质量评估

    提出了一种基于 SDD（Similarity Distribution Distance）的无监督 Face Image Quality Assessment（FIQA）方法，该方法将所提取的相似性分布用于计算 WD，以生成质量伪标签并进行质量预测，取得了比现有方法更好的效果。

    Mar, 2021

  • 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

  • 人脸图像质量评估：文献综述

    通过深度学习的方法，本文综述了可用于人脸图像质量评估的文献，探讨了该技术在人脸识别和其它应用方面的潜在应用。

    Sep, 2020

  • 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

  • 广义肖像质量评估

    FHIQA 是一种基于学习的自动肖像质量评估方法，通过图像语义的简单但有效的质量分数重新缩放方法来增强细粒度图像质量度量的准确性，同时保证在训练数据集之外的各种场景设置下能够具有稳健的泛化能力。

    Feb, 2024

  • 人脸识别质量感知样本对比

    本文提出了质量感知的学习过程（QAFace），通过在样本级别将质量感知引入到分类训练范式中，该模型将 Softmax 中心自适应引导到更多注意训练数据集中可识别的低质量样本，从而提高了模型对低质量样本的性能，并高于 CFP-FP，LFW，CPLFW，CALFW，AgeDB，IJB-B 和 IJB-C 数据集上的最先进算法。

    Jun, 2023