论文标题：HLA-Face: Joint High-Low Adaptation for Low Light Face Detection

项目链接：https://daooshee.github.io/HLA-Face-Website

代码链接：https://github.com/daooshee/HLA-Face-Code

光照不足是一种常见的图像质量降质。暗光会掩盖信息，降低图像的视觉质量，并造成人脸检测等机器模型的性能受损，给夜间自动驾驶、城市监控等应用带来挑战。为了推进低光照人脸检测的研究，DARK FACE [1] 构建了一个大型基准数据集，随之诞生了一批低光照人脸检测方法。然而，现有的低光照方法依赖于大量标注，而恶劣条件下数据的标注可能会非常困难，因此现有方法的鲁棒性和扩展性均有限。本项工作探索了如何在不借助低光照人脸标注的条件下，将正常光照人脸检测模型迁移至低光照场景。

正常光照和低光照之间存在两个层级的差异：一个是底层\像素层级的外观差异，例如不充足的光照、相机噪声和色偏；另一个是正常光照和低光照场景之间的高层\对象层次的语义差异，包括但不限于低光场景所特有的路灯、汽车前照灯和街边广告牌等。传统的低光照增强方法为视觉质量而设计，无法处理语义层级的差异。传统的域迁移方法针对两域场景相同的情况所设计，而低光下域差异更大更复杂，因此传统的域迁移方法无法很好地将正常光照人脸检测模型迁移至低光照场景。为了将模型从正常光照迁移至低光照，本项工作提出了一种多层视觉联合迁移的自适应无监督人脸检测框架 (joint High-Low Adaptation low light Face detection, HLA-Face)。

图1. HLA-Face 框架

内容中包含的图片若涉及版权问题，请及时与我们联系删除