CemiFace: Center-based Semi-hard Synthetic Face Generation for Face Recognition

要約

プライバシーの問題は、顔認識技術の開発における主な懸念事項です。
合成顔画像は効果的な顔認識 (FR) パフォーマンスを維持しながら潜在的な法的リスクを部分的に軽減できますが、既存の生成アプローチで合成された顔画像でトレーニングされた FR モデルは、これらの合成サンプルの識別品質が不十分であるため、パフォーマンス低下の問題に頻繁に悩まされます。
この論文では、ソリッド顔認識モデルのトレーニングに何が寄与するのかを系統的に調査し、アイデンティティセンターにある程度の類似性を持つ顔画像がトレーニング済み FR モデルのパフォーマンスに大きな効果を示すことを明らかにしました。
これに触発されて、私たちは、対象の中心に対してさまざまなレベルの類似性を持つ顔サンプルを生成する、新しい拡散ベースのアプローチ (つまり、中心ベースのセミハード合成顔生成 (CemiFace)) を提案します。これにより、効果的な識別情報を含む顔データセットを生成できます。
顔認識をトレーニングするためのサンプル。
実験結果は、適度な類似度であれば、生成されたデータセットでのトレーニングが前世代の手法と比較して競争力のあるパフォーマンスを生み出すことができることを示しています。

要約(オリジナル)

Privacy issue is a main concern in developing face recognition techniques. Although synthetic face images can partially mitigate potential legal risks while maintaining effective face recognition (FR) performance, FR models trained by face images synthesized by existing generative approaches frequently suffer from performance degradation problems due to the insufficient discriminative quality of these synthesized samples. In this paper, we systematically investigate what contributes to solid face recognition model training, and reveal that face images with certain degree of similarities to their identity centers show great effectiveness in the performance of trained FR models. Inspired by this, we propose a novel diffusion-based approach (namely Center-based Semi-hard Synthetic Face Generation (CemiFace)) which produces facial samples with various levels of similarity to the subject center, thus allowing to generate face datasets containing effective discriminative samples for training face recognition. Experimental results show that with a modest degree of similarity, training on the generated dataset can produce competitive performance compared to previous generation methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google