⚠️ 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
2025-04-30 更新
xEdgeFace: Efficient Cross-Spectral Face Recognition for Edge Devices
Authors:Anjith George, Sebastien Marcel
Heterogeneous Face Recognition (HFR) addresses the challenge of matching face images across different sensing modalities, such as thermal to visible or near-infrared to visible, expanding the applicability of face recognition systems in real-world, unconstrained environments. While recent HFR methods have shown promising results, many rely on computation-intensive architectures, limiting their practicality for deployment on resource-constrained edge devices. In this work, we present a lightweight yet effective HFR framework by adapting a hybrid CNN-Transformer architecture originally designed for face recognition. Our approach enables efficient end-to-end training with minimal paired heterogeneous data while preserving strong performance on standard RGB face recognition tasks. This makes it a compelling solution for both homogeneous and heterogeneous scenarios. Extensive experiments across multiple challenging HFR and face recognition benchmarks demonstrate that our method consistently outperforms state-of-the-art approaches while maintaining a low computational overhead.
异质人脸识别（HFR）解决了不同感知模式下面部图像匹配的挑战，如热成像到可见光或近红外到可见光，扩大了人脸识别系统在现实、无约束环境中的适用性。虽然最近的HFR方法已经显示出有希望的结果，但许多方法依赖于计算密集型的架构，限制了它们在资源受限的边缘设备上的实用性。在这项工作中，我们通过适应原本用于人脸识别设计的混合CNN-Transformer架构，提出了一个轻便有效的HFR框架。我们的方法能够在最小的配对异质数据下进行高效的端到端训练，同时在标准的RGB人脸识别任务上保持强劲性能，这使得它成为同质和异质场景下的理想解决方案。在多个具有挑战性的HFR和人脸识别基准测试上的广泛实验表明，我们的方法始终优于最新技术，同时计算开销较低。
论文及项目相关链接
PDF 11 pages
Summary
本文介绍了异构人脸识别（HFR）面临的挑战以及一种新的解决方案。通过适应混合CNN-Transformer架构，实现了一种轻量级且有效的HFR框架，可在不同感知模式下匹配人脸图像。该方法可实现高效端到端训练，具有较少的配对异构数据需求，同时在标准RGB人脸识别任务上表现良好。适用于同质和异质场景，并在多个具有挑战性的HFR和人脸识别基准测试中表现优异。
Key Takeaways
- 异构人脸识别（HFR）旨在匹配不同感知模式下的人脸图像，如热成像与可见光或近红外与可见光。
- 新的HFR框架采用轻量级设计，基于混合CNN-Transformer架构，适用于资源受限的边缘设备。
- 该方法可实现高效端到端训练，只需少量配对异构数据。
- 在标准RGB人脸识别任务上表现良好，适用于同质和异质场景。
- 在多个具有挑战性的HFR和人脸识别基准测试中，该方法性能优于现有技术。
- 该框架的适用性广泛，可用于真实世界、无约束环境中的面孔识别。
点此查看论文截图
