Synthesizing Efficient Data with Diffusion Models for Person Re-Identification Pre-Training

现有的人员再识别（Re-ID）方法主要使用ImageNet-1K数据集进行模型初始化，这不可避免地导致由于巨大的领域差距而产生次优情况。其中一个关键挑战是建立大规模的人员Re-ID数据集需要耗费大量时间。一些先前的尝试通过从互联网上收集人员图像（如LUPerson）来解决这个问题，但它无法从未标记、不可控和嘈杂的数据中学习。在本文中，我们提出了一种新的范式Diffusion-ReID，可以在不需要任何数据收集和注释的情况下高效地增强和生成基于已知身份的多样化图像。从技术上讲，这种范式分为两个阶段：生成和过滤。在生成阶段，我们提出了语言提示增强（LPE）来确保输入图像序列和生成图像之间的ID一致性。在扩散过程中，我们提出了多样性注入（DI）模块来增加属性多样性。为了使生成的数据具有更高的质量，我们应用Re-ID置信度阈值过滤器进一步删除低质量图像。受益于我们提出的范式，我们首先创建了一个新的大规模人员Re-ID数据集Diff-Person，其中包括来自5,183个身份的超过777K张图像。接下来，我们构建了一个在Diff-Person上进行预训练的更强大的人员Re-ID骨干。在六个广泛使用的设置中对四个人员Re-ID基准进行了广泛的实验。与其他预训练和自监督竞争者相比，我们的方法显示出显着的优越性。

论文旨在解决人物再识别中使用ImageNet-1K数据集进行模型初始化的不足，提出一种新的范式Diffusion-ReID，通过生成和过滤两个阶段，实现在不需要收集和注释数据的情况下，有效增强和生成多样化的图像。

Diffusion-ReID范式包括生成和过滤两个阶段，其中生成阶段采用语言提示增强（LPE）和多样性注入（DI）模块，过滤阶段采用Re-ID置信度阈值过滤。

论文创造了一个新的大规模人物再识别数据集Diff-Person，包含来自5183个身份的超过777K张图像。同时，提出的Diffusion-ReID方法在四个人物再识别基准测试中的六种常用设置下，相比其他预训练和自监督竞争者表现出显著的优越性。

最近的相关研究包括使用互补的数据源进行人物再识别、基于对抗生成网络的方法以及使用自监督学习来提高人物再识别性能等。相关论文包括：Complementary Data Sources for Person Re-Identification, Adversarial Discriminative Domain Adaptation for Person Re-Identification和Self-Supervised Learning for Person Re-Identification。