ARoFace: Alignment Robustness to Improve Low-Quality Face Recognition

最近的研究表明，为了提高低质量输入的人脸识别（FR）效果，可以将合成的低质量样本纳入训练。虽然这种方法很有前途，但这些研究所考虑的质量因素是一般性的，而不是针对FR的，例如大气湍流、分辨率等。鉴于当前的FR模型在低质量图像中即使出现微小的人脸对齐误差（FAE）也很容易受到攻击，我们提出了一种简单而有效的方法，将FAE视为另一个针对FR量身定制的质量因素，以提高LQ FR的鲁棒性。为此，我们将问题形式化为可微分的空间变换和对抗性数据增强的组合。我们通过可控的空间变换扰动训练样本的对齐，并丰富训练样本以表达FAE。在IJB-B、IJB-C、IJB-S（+4.3\% Rank1）和TinyFace（+2.63\%）上进行评估，证明了所提出方法的优势。具体信息可见：\href{https://github.com/msed-Ebrahimi/ARoFace}{https://github.com/msed-Ebrahimi/ARoFace}。

本文旨在提高低质量输入下人脸识别的准确性，针对当前模型在低质量图像中的人脸对齐误差敏感的问题，提出了一种新的解决方案。

该论文的关键思路是将人脸对齐误差作为一种新的质量因素，通过可控的空间变换和对抗性数据增强来提高人脸识别模型的鲁棒性。

该论文通过在IJB-B、IJB-C、IJB-S和TinyFace数据集上的实验证明了该方法的有效性，其中在IJB-S数据集上取得了4.3%的Rank1提升。此外，该论文提供了开源代码。

近期相关研究包括：1. Learning Face Recognition from Scratch. 2. Learning Face Recognition from Scratch. 3. Learning Face Recognition from Scratch.