近日,,計(jì)算機(jī)科學(xué)與網(wǎng)絡(luò)工程學(xué)院王員根教授團(tuán)隊(duì)提交的科研論文“SDD-FIQA: Unsupervised Face Image Quality Assessment with Similarity Distribution Distance”被國(guó)際計(jì)算機(jī)視覺(jué)頂級(jí)會(huì)議CVPR 2021錄用(會(huì)議主頁(yè):http://cvpr2021.thecvf.com/),。CVPR全稱為IEEE Conference on Computer Vision and Pattern Recognition,是國(guó)際計(jì)算機(jī)視覺(jué)領(lǐng)域的頂級(jí)會(huì)議,,屬于CCF-A類,。
該論文第一作者是計(jì)算機(jī)學(xué)院2018級(jí)碩士研究生區(qū)富炤同學(xué),第一署名單位為廣州大學(xué),,指導(dǎo)教師王員根教授為通訊作者,,合作單位有騰訊優(yōu)圖實(shí)驗(yàn)室(上海)、南京理工大學(xué)和廈門大學(xué),。
主要研究?jī)?nèi)容:
以往的人臉圖像質(zhì)量評(píng)估研究大多以樣本層面不確定性或配對(duì)相似度作為質(zhì)量評(píng)分標(biāo)準(zhǔn),,而且只考慮部分類內(nèi)信息。這些方法忽略了來(lái)自類間有價(jià)值的信息,。在本研究中,,對(duì)于人臉識(shí)別系統(tǒng),我們認(rèn)為一個(gè)高質(zhì)量的人臉圖像應(yīng)該與其類內(nèi)樣本相似,,而與其類間樣本不相似,,如圖1所示。為此,,我們提出了一種基于類內(nèi)-類間相似度分布距離的無(wú)監(jiān)督人臉質(zhì)量評(píng)估方法(SDD-FIQA),。

圖1: SDD-FIQA方法同時(shí)考慮了目標(biāo)樣本(紅點(diǎn))的類內(nèi)(綠點(diǎn),Pos-Sim)和類間(黃點(diǎn),,Neg-Sim)的相似度分布,,并采用他們之間的Wasserstein距離作為目標(biāo)樣本的質(zhì)量偽標(biāo)簽
該方法從人臉識(shí)別的性能影響因子出發(fā),從理論上推導(dǎo)出人臉樣本類間相似度分布與人臉圖像質(zhì)量高度相關(guān),,利用類內(nèi)相似度分布和類間相似度分布之間的Wasserstein距離生成人臉圖像質(zhì)量偽標(biāo)簽,。然后,利用這些質(zhì)量偽標(biāo)簽進(jìn)行無(wú)監(jiān)督訓(xùn)練一個(gè)人臉質(zhì)量回歸網(wǎng)絡(luò),,從而獲得一個(gè)質(zhì)量評(píng)估模型,。大量實(shí)驗(yàn)表明,在各大人臉識(shí)別的基準(zhǔn)數(shù)據(jù)集上,提出的SDD-FIQA方法在不同的人臉識(shí)別系統(tǒng)下,,精度和泛化能力都達(dá)到國(guó)際最先進(jìn)水平,。

圖2: 提出的SDD-FIQA方法框架
主要?jiǎng)?chuàng)新點(diǎn):1)發(fā)現(xiàn)了人臉樣本類間相似度分布與人臉圖像質(zhì)量高度相關(guān);2)提出了類內(nèi)-類間相似度分布距離的概念,;3)從理論上導(dǎo)出了人臉圖像質(zhì)量與類內(nèi)-類間相似度分布距離直接相關(guān),;4)提出了利用Wasserstein準(zhǔn)則度量類內(nèi)-類間相似度分布距離,并用于人臉圖像質(zhì)量評(píng)分,;5)實(shí)現(xiàn)了一種完全無(wú)監(jiān)督的人臉圖像質(zhì)量評(píng)估算法,,性能最優(yōu)。
論文鏈接:http://arxiv.org/abs/2103.05977.