Identity-driven Three-Player Generative Adversarial Network for Synthetic-based Face Recognition

要約

タイトル：Identity-driven Three-Player Generative Adversarial Network for Synthetic-based Face Recognition

要約：
– 一部の顔認識データセットは、適切なユーザーの同意なしにインターネットから収集されます。社会的および法的枠組みにおけるプライバシーに対する注目の高まりにより、これらのデータセットの使用と配布が制限され、強く問題視されています。
– これらのデータベースは、各アイデンティティごとに現実的な高い変動性を備えており、顔認識モデルの成功を可能にしています。
– この成功に基づいて、プライバシー上の懸念に合わせて、純粋に合成された人々からなる合成データベースが作成され、顔認識ソリューションの開発に使用されるようになっています。
– この研究では、IDnetという三プレーヤーゼネラティブアドバーサリーネットワーク（GAN）フレームワークを紹介し、アイデンティティ情報を生成プロセスに統合することができます。
– IDnetの第3のプレイヤーは、生成器がアイデンティティ分離可能な顔画像を生成するように学習することを目的としています。
– 経験的に、IDnetの合成画像は、従来の2プレイヤーゲームよりも高いアイデンティティ識別性を持ち、現実的な内在アイデンティティ変動を維持します。
– また、生成器のトレーニングに使用された本物のアイデンティティと生成された合成アイデンティティの間に低い類似性があることを示し、IDnetデータの対顔認識モデルのトレーニングの適用可能性を実証しました。
– 合成ベースの顔認識の最新のレンダリングベースのアプローチに比べて、IDnetの解決策は比較可能な結果を達成し、すべての既存のGANベースのアプローチを上回りました。
– トレーニングコードと合成顔画像データセットは公開されています。

要約(オリジナル)

Many of the commonly used datasets for face recognition development are collected from the internet without proper user consent. Due to the increasing focus on privacy in the social and legal frameworks, the use and distribution of these datasets are being restricted and strongly questioned. These databases, which have a realistically high variability of data per identity, have enabled the success of face recognition models. To build on this success and to align with privacy concerns, synthetic databases, consisting purely of synthetic persons, are increasingly being created and used in the development of face recognition solutions. In this work, we present a three-player generative adversarial network (GAN) framework, namely IDnet, that enables the integration of identity information into the generation process. The third player in our IDnet aims at forcing the generator to learn to generate identity-separable face images. We empirically proved that our IDnet synthetic images are of higher identity discrimination in comparison to the conventional two-player GAN, while maintaining a realistic intra-identity variation. We further studied the identity link between the authentic identities used to train the generator and the generated synthetic identities, showing very low similarities between these identities. We demonstrated the applicability of our IDnet data in training face recognition models by evaluating these models on a wide set of face recognition benchmarks. In comparison to the state-of-the-art works in synthetic-based face recognition, our solution achieved comparable results to a recent rendering-based approach and outperformed all existing GAN-based approaches. The training code and the synthetic face image dataset are publicly available ( https://github.com/fdbtrs/Synthetic-Face-Recognition ).

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI