深度学习在人脸识别领域近年来越来越受关注。大量的深度学习方法已被提出来解决面临的各种问题。然而,目前关于面部图像质量对深度学习方法和人类表现的影响的研究仍较少。因此,我们提出一个问题:在无约束条件下,面部图像质量对于基于深度学习的人脸识别仍然是一个挑战吗?基于此,我们对跨质量的人脸图像进行了评估,以评估深度学习方法在野外图像上的表现,并设计了一个人脸验证实验。结果表明,在深度学习中仍需要对图像质量问题进行深入研究,并且人类在建立具有大质量差异的不同人脸图像之间的关系方面具有更好的能力,称深度学习方法超过人类水平过于乐观。
Jul, 2023
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
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
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
本文综述了过去五年中低分辨率人脸识别的各种方法及相关工作,涉及视频监控、超分辨率、去模糊等技术,并对数据集和实验设置进行了描述,最后总结了一般限制和未来努力的优先事项。
May, 2018
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
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
提出了一个用于多个挑战性情景的视频人脸识别的鲁棒且高效的系统,包括人脸 / 标志检测、人脸关联和人脸识别等模块,特别是针对多镜头视频设计了精心的人脸关联方法,采用一种基于无监督子空间学习方法和子空间到子空间相似度度量的人脸匹配器来识别人脸,广泛实验表明该系统可以准确地检测和关联未约束的视频中的人脸,并有效地学习到具有鲁棒性和区分性的特征用于识别。
Dec, 2018
本论文主要研究如何利用检测因素来提高基于深度学习的人脸识别在低质量图像下的识别准确率,通过利用 MS-Celeb-1M 数据集并对 VGGFace2 数据集进行微调,达到了 SCFace 和 ICB-RW 基准测试的最新水平。
Jul, 2019
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