具有生成 - 判别表征的遮蔽脸识别
COVID-19 疫情爆发使得人们比以往更频繁地戴口罩。当前的一般面部识别系统在遇到遮挡场景时性能严重下降,可能的原因是面部特征受到关键面部区域的遮挡。为了解决这个问题,先前的研究要么通过额外的口罩预测在特征级别上提取与身份相关的嵌入,要么通过生成模型恢复遮挡的面部部分。然而,前者缺乏模型解释的视觉结果,而后者则存在可能影响下游识别的伪影。因此,本文提出了一个多任务生成面部识别(MEER)网络来共同处理这两个任务,它可以学习与遮挡无关和与身份相关的表征,并实现无遮挡面部合成。我们首先提出了一种新的遮挡解耦模块,以解离遮挡和身份信息,使网络从可见面部组成部分提取更纯净的身份特征。然后,通过联合训练策略恢复出一个无遮挡的面部,这将进一步使用保持身份的损失来改进识别网络。在现实和合成遮挡基准下进行的戴口罩面部识别实验证明了 MEER 方法超过了最先进的方法。
Nov, 2023
本文提出了一种基于 DR-GAN 的面部识别方法,通过生成对抗网络的编码器 - 解码器结构,学习一种表征,该表征可以生成合成的面部图像和具有逆变性的面部姿势识别,同时该表征与其他具有 pose 表现的人脸变化明确地分离,因此在控制场景和实际场景中比当前技术更为出色。
May, 2017
本文提出了一种基于 Pyramid CNN 的深度学习框架,通过特征共享、Greedy-filter-and-down-sample 操作,以及多尺度脸部表示,得到了高度鉴别能力的面部特征表示,使得系统能够在 LFW 基准测试上实现了最先进的性能。
Mar, 2014
本研究提出了一种基于生成对抗网络的新方法,利用生成器和鉴别器实现面部建模。通过定量和定性结果表明,这种方法能更好地分离面部特征中的自然因素,尤其是身份和表情,并且比现有的最先进方法在解耦和多样性方面表现更优秀。
Feb, 2019
COVID-19 全球大流行对人脸识别带来了新的挑战,掩面的现象出现后,作者考虑利用图像修复中的机器学习方法来解决这个问题,并通过生成对抗网络(GAN)的生成能力和 autoencoder 的潜力,实现对原本被口罩遮挡的部分进行完整性修复。
Sep, 2023
从在线持续学习的角度出发,提出了一种新颖的 GAN 方法,通过将生成的数据视为流来训练鉴别器模型,并自动检测其阻塞并动态遮罩其特征,使其能够适应临时变化的生成数据分布。实验结果表明,该方法优于现有的最先进方法。
Jun, 2023
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
本文提出了一种通过使用面部覆盖蒙版的条件生成式对抗网络生成更具多样性、质量、可控性的逼真面部,该方法可用于本地面部编辑、面部合成和交换,同时提供了数据增强的选项以加强面部分析的性能。
May, 2019
提出了一种基于生成对抗网络 (GAN) 的框架,以在开放领域中保留身份的人脸合成中,区分脸部的身份和属性。它可以方便地重新组合不同身份和属性,以合成身份保持的面部。
Mar, 2018