首次！用合成人脸数据集训练的识别模型，性能高于真实数据集

文章预览

研究动机 一个高质量的人脸识别训练集要求身份 (ID) 有高的分离度（Inter-class separability）和类内的变化度（Intra-class variation）。然而现有的方法普遍存在两个缺点： 1）实现了大的 intra-class variation，但是 inter-class separability 很低； 2）实现了较高的 inter-class separability，但是 intra-class variation 需要用额外的模型来提高。 这两点要么使得在合成的人脸数据集训练的模型性能表现不佳，要么难以合成大型数据集。 因此，我们通过让提出的 Vec2Face 模型学习如何将特征向量转化为对应的图片，并且在生成时对随机采样的向量加以约束，来实现高质量训练集的生成。这一方法不但可以轻松控制 inter-class separability 和 intra-class variation，而且无需额外的模型进行辅助。此外我们还提出了 Attribute Operation algorithm 来定向的生成人脸属性，这一优势也可以被用来补足各 ………………………………