Identity-Preserving Knowledge Distillation for Low-resolution Face Recognition

要約

低解像度顔認識 (LRFR) は、最新のディープ顔認識システムにとって困難な問題になっています。
既存の方法は主に、超解像技術を使用して顔の詳細を再構築するか、統合された特徴空間を学習することにより、高解像度 (HR) 画像からの事前情報を活用します。
この問題に対処するために、この論文では、ネットワークが低解像度 (LR) 画像の低周波成分に格納されている識別情報に集中するようにする新しいアプローチを提案します。
クロスレゾリューション知識蒸留パラダイムは、学習フレームワークとして最初に採用されます。
次に、同一性を維持するネットワーク、WaveResNet、およびウェーブレットの類似性損失が、低周波の詳細をキャプチャしてパフォーマンスを向上させるように設計されています。
最後に、より現実的な LR トレーニング データをシミュレートするために、画像劣化モデルが考えられます。
その結果、広範な実験結果は、提案された方法が、さまざまな画像解像度にわたってベースラインモデルおよび他の最先端の方法よりも一貫して優れていることを示しています。

要約(オリジナル)

Low-resolution face recognition (LRFR) has become a challenging problem for modern deep face recognition systems. Existing methods mainly leverage prior information from high-resolution (HR) images by either reconstructing facial details with super-resolution techniques or learning a unified feature space. To address this issue, this paper proposes a novel approach which enforces the network to focus on the discriminative information stored in the low-frequency components of a low-resolution (LR) image. A cross-resolution knowledge distillation paradigm is first employed as the learning framework. An identity-preserving network, WaveResNet, and a wavelet similarity loss are then designed to capture low-frequency details and boost performance. Finally, an image degradation model is conceived to simulate more realistic LR training data. Consequently, extensive experimental results show that the proposed method consistently outperforms the baseline model and other state-of-the-art methods across a variety of image resolutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google