Recognizability Embedding Enhancement for Very Low-Resolution Face Recognition and Quality Estimation

要約

タイトル：超低解像度顔認識と品質評価のための認識埋め込み強化
要約：
– 超低解像度顔認識は、取得装置の極端な距離や広い視野角により、興味のある領域が小さく、分解能が低いという独特の課題がある。
– 本論文では、視覚的品質ではなく、埋め込み空間内の顔の認識能力を向上させる原則的なアプローチを研究している。
– まず、適切な学習ベースの顔認識能力尺度である認識性指数（RI）を二つの基準に基づいて定式化する：（i）認識できない顔クラスタ中の各顔埋め込みとの近接度、（ii）各顔埋め込みとその陽性/陰性クラスのプロトタイプとの近接度。
– 次に、埋め込みのRIが低い認識困難な顔を、認識できない顔クラスタから遠ざけるインデックス逸脱損失を開発して、RIを向上させることにより、より良い認識性能を反映する。
– さらに、最も認識性能の高い顔領域に注意を向ける認知可能性アテンションメカニズムを導入し、説明力と識別力の向上を提供する。
– 提案されたモデルは、エンドツーエンドでトレーニングされ、認識性能に配慮した埋め込み学習と顔品質評価の両方を提供する。
– 三つの厳しい低解像度データセットと顔品質評価の評価に対処するために、我々の拡張評価は、提案手法が最先端の方法よりも優れていることを示している。

要約(オリジナル)

Very low-resolution face recognition (VLRFR) poses unique challenges, such as tiny regions of interest and poor resolution due to extreme standoff distance or wide viewing angle of the acquisition devices. In this paper, we study principled approaches to elevate the recognizability of a face in the embedding space instead of the visual quality. We first formulate a robust learning-based face recognizability measure, namely recognizability index (RI), based on two criteria: (i) proximity of each face embedding against the unrecognizable faces cluster center and (ii) closeness of each face embedding against its positive and negative class prototypes. We then devise an index diversion loss to push the hard-to-recognize face embedding with low RI away from unrecognizable faces cluster to boost the RI, which reflects better recognizability. Additionally, a perceptibility attention mechanism is introduced to attend to the most recognizable face regions, which offers better explanatory and discriminative traits for embedding learning. Our proposed model is trained end-to-end and simultaneously serves recognizability-aware embedding learning and face quality estimation. To address VLRFR, our extensive evaluations on three challenging low-resolution datasets and face quality assessment demonstrate the superiority of the proposed model over the state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI