⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-01-16 更新
Radial Distortion in Face Images: Detection and Impact
Authors:Wassim Kabbani, Tristan Le Pessot, Kiran Raja, Raghavendra Ramachandra, Christoph Busch
Acquiring face images of sufficiently high quality is important for online ID and travel document issuance applications using face recognition systems (FRS). Low-quality, manipulated (intentionally or unintentionally), or distorted images degrade the FRS performance and facilitate documents’ misuse. Securing quality for enrolment images, especially in the unsupervised self-enrolment scenario via a smartphone, becomes important to assure FRS performance. In this work, we focus on the less studied area of radial distortion (a.k.a., the fish-eye effect) in face images and its impact on FRS performance. We introduce an effective radial distortion detection model that can detect and flag radial distortion in the enrolment scenario. We formalize the detection model as a face image quality assessment (FIQA) algorithm and provide a careful inspection of the effect of radial distortion on FRS performance. Evaluation results show excellent detection results for the proposed models, and the study on the impact on FRS uncovers valuable insights into how to best use these models in operational systems.
在使用人脸识别系统（FRS）进行在线身份识别和旅行证件签发应用时，获取高质量的人脸图像非常重要。低质量、被操纵（有意或无意）或失真的图像会降低FRS的性能并可能导致证件的滥用。在无人监督的自助注册场景中，尤其是通过智能手机进行注册时，确保注册图像的质量对于保证FRS的性能变得尤为重要。在这项工作中，我们专注于较少研究的面部图像中的径向失真（又名鱼眼效应）及其对FRS性能的影响。我们引入了一种有效的径向失真检测模型，该模型可以在注册场景中检测和标记径向失真。我们将检测模型形式化为面部图像质量评估（FIQA）算法，并仔细研究了径向失真对FRS性能的影响。评估结果表明，所提出的模型具有出色的检测效果，而对FRS影响的研究揭示了如何在操作系统中最佳使用这些模型的宝贵见解。
论文及项目相关链接
Summary
人脸识别系统中，获取高质量的人脸图像对于在线身份识别和旅行证件签发应用至关重要。低质量、故意或非故意操作产生的图像，以及扭曲图像会降低人脸识别系统的性能并可能导致证件的滥用。本工作聚焦于人脸图像中的径向失真（即鱼眼效应）及其对人脸识别系统性能的影响。我们提出了一种有效的径向失真检测模型，能够在注册场景中检测并标记径向失真。我们将检测模型形式化为人脸图像质量评估算法，并仔细研究了径向失真对人脸识别系统性能的影响。评估结果显示，所提出模型的检测结果出色，对人脸识别系统的研究揭示了如何将这些模型最佳地应用于操作系统中的宝贵见解。
Key Takeaways
- 高质量人脸图像对于在线身份识别和旅行证件签发应用非常重要。
- 低质量或扭曲的图像会降低人脸识别系统（FRS）的性能。
- 径向失真（鱼眼效应）在人脸图像中是一个较少研究的领域，但对FRS性能有影响。
- 提出了一种有效的径向失真检测模型，用于在注册场景中检测并标记径向失真。
- 检测模型被形式化为人脸图像质量评估算法。
- 评估结果显示所提出模型的检测结果出色。
点此查看论文截图
Digi2Real: Bridging the Realism Gap in Synthetic Data Face Recognition via Foundation Models
Authors:Anjith George, Sebastien Marcel
The accuracy of face recognition systems has improved significantly in the past few years, thanks to the large amount of data collected and advancements in neural network architectures. However, these large-scale datasets are often collected without explicit consent, raising ethical and privacy concerns. To address this, there have been proposals to use synthetic datasets for training face recognition models. Yet, such models still rely on real data to train the generative models and generally exhibit inferior performance compared to those trained on real datasets. One of these datasets, DigiFace, uses a graphics pipeline to generate different identities and intra-class variations without using real data in model training. However, the performance of this approach is poor on face recognition benchmarks, possibly due to the lack of realism in the images generated by the graphics pipeline. In this work, we introduce a novel framework for realism transfer aimed at enhancing the realism of synthetically generated face images. Our method leverages the large-scale face foundation model, and we adapt the pipeline for realism enhancement. By integrating the controllable aspects of the graphics pipeline with our realism enhancement technique, we generate a large amount of realistic variations, combining the advantages of both approaches. Our empirical evaluations demonstrate that models trained using our enhanced dataset significantly improve the performance of face recognition systems over the baseline. The source code and dataset will be publicly accessible at the following link: https://www.idiap.ch/paper/digi2real
近年来，由于收集了大量数据以及神经网络架构的进展，人脸识别系统的准确性得到了显著提高。然而，这些大规模数据集往往是在没有明确同意的情况下收集的，引发了伦理和隐私问题。为解决这一问题，已经有人提出使用合成数据集来训练人脸识别模型。然而，这些模型仍然需要依赖真实数据来训练生成模型，通常其性能相较于在真实数据集上训练的模型表现较差。其中之一的DigiFace数据集使用图形处理管道生成不同的身份和类内变化，在模型训练过程中无需使用真实数据。然而，该方法在人脸识别基准测试上的表现较差，可能是由于图形处理管道生成的图像缺乏真实感所导致的。在这项工作中，我们引入了一个新型的现实主义转移框架，旨在增强合成生成人脸图像的真实感。我们的方法利用大规模人脸基础模型，并对现实感增强管道进行了适应。我们通过整合图形处理管道的可控方面与我们的现实感增强技术，生成了大量逼真的变化，结合了这两种方法的优点。我们的经验评估表明，使用我们增强型数据集训练的模型在人脸识别系统的性能上较基线有显著改善。源代码和数据集将在以下链接公开访问：https://www.idiap.ch/paper/digi2real
论文及项目相关链接
PDF The dataset would be available here: https://www.idiap.ch/paper/digi2real Accepted for Publication in WACV 2025
Summary
人脸识别系统的准确性在过去几年里显著提高，这得益于大量数据的收集以及神经网络架构的进展。然而，大规模数据集的收集常常没有明确的同意，引发了伦理和隐私问题。为应对这一问题，已有提议使用合成数据集来训练人脸识别模型。尽管如此，这些模型仍依赖真实数据来训练生成模型，并且通常表现出较差的性能。本文介绍了一种新型的现实性转移框架，旨在提高合成人脸图像的现实性。该方法利用大规模人脸基础模型，并调整现实性增强管道。通过结合图形管道的可控性与现实性增强技术，我们生成了大量现实性变体的数据集。实验评估表明，使用我们增强数据集训练的模型在人脸识别系统性能上显著提高。
Key Takeaways
- 人脸识别系统的准确性因数据收集和神经网络架构的进步而显著提高。
- 大规模数据集的收集引发伦理和隐私问题。
- 有提议使用合成数据集来训练人脸识别模型，但仍需真实数据训练生成模型。
- 合成模型通常表现出较差的性能，可能与图像缺乏现实性有关。
- 引入了一种新型现实性转移框架，提高合成人脸图像的现实性。
- 该框架结合图形管道的可控性与现实性增强技术。
点此查看论文截图
