May, 2023

GANDiffFace: 通过对真实变异性的控制生成可控的人脸识别合成数据集

PDF
TL;DR本论文提出了 GANDiffFace，一种结合生成对抗网络（GAN）和扩散模型的新型框架，用于为人脸识别生成具有高度真实感的合成数据集，以克服现有合成数据集的局限性，特别是 GAN 提供的有限化内类别变化，进而增强内类别变化。
发现论文，激发创造
  • 生成逼真的训练数据以提高人脸识别准确性

    本文研究使用合成数据来增强面部数据集的可行性。我们提出了一种新颖的生成对抗网络（GAN），可以将相关身份属性与非相关身份属性区分开来。我们的 GAN 能够生成数据增强的合成图像，并且该模型可以提高面部识别模型的准确率。

    Oct, 2018

  • IDiff-Face: 基于合成的、面向标识条件扩散模型的人脸识别

    该研究提出了一种基于条件潜在扩散模型的新方法 (IDiff-Face)，用于合成身份生成，以实现面部识别训练中的逼真身份变化，通过广泛评估，该合成基础的面部识别方法在 Labeled Faces in the Wild (LFW) 基准测试上实现了 98.00% 的准确率，远超最近的合成基础面部识别解决方案的 95.40%，并填补了与基于真实数据的面部识别准确率为 99.82% 之间的差距。

    Aug, 2023

  • 人脸识别中减少人口统计偏见的合成数据

    通过使用合成数据来缓解影响面部识别技术的人口偏见的可能性进行了研究。

    Feb, 2024

  • DCFace：双条件扩散模型合成人脸

    通过将主体外貌和外部条件（样式）结合来解决面部图像合成的问题，Dual Condition Face Generator 是一种基于扩散模型的生成器，可通过 Patch-wise 样式提取和 Time-step 受限 ID 损失来提供高精准控制，从而比以前的方法提供更高的身份验证准确性。

    Apr, 2023

  • 以身份为驱动的三方生成对抗网络用于基于合成图像的人脸识别

    本研究提出了一种三方博弈生成对抗网络 (IDnet)，用于生成具有较高标识鉴别性的合成人脸图像，并证明其在人脸识别应用中的可行性和优越性。

    Apr, 2023

  • SynFace: 用合成数据进行人脸识别

    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。

    Aug, 2021

  • SFace：使用合成数据进行隐私友好型高精准度人脸识别

    本研究提出并研究了使用一种隐私友好的合成人脸数据集，通过条件生成对抗网络生成类标记的人脸图像。在此基础上，提出了三种不同的学习策略，对这种隐私友好的合成数据集进行人脸识别的训练，并在多个人脸识别基准测试中证明了其高潜力。

    Jun, 2022

  • 迈向 AI 合成人脸图像的检测

    通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性，然后通过频域分析伪造痕迹来得出各种见解，并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。

    Feb, 2024

  • DiffusionFace: 面向基于扩散的人脸伪造分析的全面数据集

    DiffusionFace 是第一个基于扩散的面部伪造数据集，包括各种伪造类别，包括无条件和文本引导面部图像生成，Img2Img，修复和基于扩散的面部交换算法。数据集具有广泛的 11 个扩散模型和生成图像的高质量，为评估提供必要的元数据和来自现实世界的网络源伪造面部图像的数据集。此外，我们对数据进行深入分析，并引入实际评估协议以严格评估鉴别模型在检测假冒面部图像方面的有效性，旨在增强面部图像验证过程中的安全性。数据集可从 https://github.com/Rapisurazurite/DiffFace 下载。

    Mar, 2024

  • 通过从布朗球面扩散中探索潜空间生成合成人脸数据集

    利用新的方法，通过生成模型在潜在空间中采样身份分布，生成人脸数据集并训练人脸识别模型，证明该方法能够超越以往的生成式对抗网络数据集，并与最先进的扩散式合成数据集取得有竞争力的性能，还可以减轻由生成器训练集中存在的泄漏问题，并探索生成模型生成超越训练集的数据能力。

    Apr, 2024