计算机科学>计算机视觉和模式识别
标题: 逃避高分辨率异构人脸幻觉的数据匮乏
摘要: 在异构人脸识别(HFR)中,目标是在两个不同的域(如可见域和热域)中匹配人脸。 较大的域差异使高频反射成为一个难题。 最近试图通过综合来填补这一空白的方法取得了可喜的结果,但由于成对训练数据的稀缺性,它们的性能仍然受到限制。 在实践中,由于获取和注释过程以及隐私法规的高成本,大规模异构人脸数据通常无法访问。 在本文中,我们提出了一种新的HFR人脸幻觉范式,它不仅可以实现数据高效的合成,还可以在不破坏任何隐私策略的情况下扩大模型训练的规模。 与现有的完全从头开始学习面部合成的方法不同,我们的方法特别设计为利用可见区域丰富多样的面部先验信息,实现更真实的幻觉。 另一方面,通过引入新的联合学习方案,大规模培训得以实现,以允许机构间协作,同时避免显式数据共享。大量实验表明,在当前数据限制下,我们的方法在应对HFR方面具有优势。 在统一的框架中,我们的方法在多个HFR数据集上产生了最先进的幻觉结果。