⚠️ 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
2025-03-05 更新
HyperFace: Generating Synthetic Face Recognition Datasets by Exploring Face Embedding Hypersphere
Authors:Hatef Otroshi Shahreza, Sébastien Marcel
Face recognition datasets are often collected by crawling Internet and without individuals’ consents, raising ethical and privacy concerns. Generating synthetic datasets for training face recognition models has emerged as a promising alternative. However, the generation of synthetic datasets remains challenging as it entails adequate inter-class and intra-class variations. While advances in generative models have made it easier to increase intra-class variations in face datasets (such as pose, illumination, etc.), generating sufficient inter-class variation is still a difficult task. In this paper, we formulate the dataset generation as a packing problem on the embedding space (represented on a hypersphere) of a face recognition model and propose a new synthetic dataset generation approach, called HyperFace. We formalize our packing problem as an optimization problem and solve it with a gradient descent-based approach. Then, we use a conditional face generator model to synthesize face images from the optimized embeddings. We use our generated datasets to train face recognition models and evaluate the trained models on several benchmarking real datasets. Our experimental results show that models trained with HyperFace achieve state-of-the-art performance in training face recognition using synthetic datasets.
人脸识别数据集往往通过爬网收集互联网上的数据而成，这一过程常常缺少个人同意，从而引发伦理和隐私问题。因此，生成用于训练人脸识别模型的合成数据集已成为一种有前途的替代方案。然而，生成合成数据集仍然具有挑战性，因为它需要足够的类间和类内变化。虽然生成模型的进步使得更容易在人脸数据集中增加类内变化（如姿态、照明等），但生成足够的类间变化仍然是一项艰巨的任务。在本文中，我们将数据集生成问题表述为人脸识别模型嵌入空间（表示为超球体）上的打包问题，并提出了一种新的合成数据集生成方法，称为HyperFace。我们将我们的打包问题形式化为一个优化问题，并用基于梯度下降的方法来解决它。然后，我们使用条件面部生成器模型从优化的嵌入中合成面部图像。我们使用生成的数据集来训练人脸识别模型，并在几个基准真实数据集上评估训练好的模型。我们的实验结果表明，使用HyperFace训练的模型在利用合成数据集训练人脸识别方面达到了最先进的性能。
论文及项目相关链接
PDF Accepted in ICLR 2025
Summary
本文提出一种基于超球体嵌入空间的合成数据集生成方法，用于训练人脸识别模型。该方法将数据集生成问题表述为优化问题并使用基于梯度下降的方法解决。通过合成优化后的嵌入数据，使用条件人脸生成器模型生成人脸图像。实验结果表明，使用HyperFace训练的人脸识别模型在多个真实数据集上达到了使用合成数据集训练的最佳性能。
Key Takeaways
- 人脸识别数据集常通过爬虫在互联网上收集，涉及伦理和隐私问题。
- 合成数据集生成成为替代方法，但生成足够多的类间和类内变化具有挑战性。
- 本文将数据集生成表述为嵌入空间的打包问题，并提出HyperFace方法。
- 使用优化后的嵌入通过条件人脸生成器模型合成人脸图像。
- HyperFace方法能解决生成足够类间变化的问题。
- 使用HyperFace训练的人脸识别模型在多个真实数据集上表现出最佳性能。
点此查看论文截图
