GraFIQs: Face Image Quality Assessment Using Gradient Magnitudes

要約

顔画像品質評価 (FIQA) は、自動顔認識 (FR) システムにおける顔画像の有用性を評価します。
この研究では、テストサンプルとFRトレーニングデータセットの分布間の差異を最小限に抑えるために、事前トレーニングされたFRモデルの重みの必要な変更を検査することに基づいて顔画像の品質を評価する新しいアプローチを提案します。
それを達成するために、FR トレーニング中に記録された統計と、事前トレーニングされた FR モデルを介してテスト サンプルを処理することによって取得された統計との間の、平均と分散を含むバッチ正規化統計 (BNS) の差異を定量化することを提案します。
次に、事前トレーニングされたモデルを通じて BNS を逆伝播することにより、事前トレーニングされた FR 重みの勾配の大きさを生成します。
これらの勾配の大きさの累積絶対和は、私たちのアプローチの FIQ として機能します。
包括的な実験を通じて、トレーニング不要で品質ラベリング不要のアプローチの有効性を実証し、品質ラベリングや回帰ネットワークのトレーニング、特殊なアーキテクチャ、または設計に依存することなく、最新の最先端の FIQA アプローチに匹敵するパフォーマンスを達成します。
特定の損失関数を最適化します。

要約(オリジナル)

Face Image Quality Assessment (FIQA) estimates the utility of face images for automated face recognition (FR) systems. We propose in this work a novel approach to assess the quality of face images based on inspecting the required changes in the pre-trained FR model weights to minimize differences between testing samples and the distribution of the FR training dataset. To achieve that, we propose quantifying the discrepancy in Batch Normalization statistics (BNS), including mean and variance, between those recorded during FR training and those obtained by processing testing samples through the pretrained FR model. We then generate gradient magnitudes of pretrained FR weights by backpropagating the BNS through the pretrained model. The cumulative absolute sum of these gradient magnitudes serves as the FIQ for our approach. Through comprehensive experimentation, we demonstrate the effectiveness of our training-free and quality labeling-free approach, achieving competitive performance to recent state-of-theart FIQA approaches without relying on quality labeling, the need to train regression networks, specialized architectures, or designing and optimizing specific loss functions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google