SynthDistill：合成数据知识蒸馏下的人脸识别

Aug, 2023

SynthDistill：合成数据知识蒸馏下的人脸识别

SynthDistill: Face Recognition with Knowledge Distillation from Synthetic Data

Hatef Otroshi Shahreza, Anjith George, Sébastien Marcel

TL;DR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。

Abstract

State-of-the-art face recognition networks are often computationally expensive and cannot be used for mobile applications. Training lightweight face recognition models also requires large identity-labeled datasets. Meanwhile, there are privacy and ethical concerns with collecting and u

face recognition lightweight models synthetic datasets intra-class variations dynamic sampling strategy

发现论文，激发创造

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

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

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

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

使用未标记合成数据的无监督人脸识别

本文提出了一种基于无标注的合成数据的无监督人脸识别模型 (USynthFace)，该模型使用大量的几何和颜色变换以及基于 GAN 的数据增强来训练，实现了相对较高的识别精度。

Nov, 2022

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

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

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。

May, 2023

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

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