【CVPR2021】基于相似性分布距离的无监督人脸图像质量评价

以往的人脸图像质量评估研究大多以样本层面不确定性或配对相似度作为质量评分标准，而且只考虑部分类内信息。这些方法忽略了来自类间有价值的信息。在本研究中，对于人脸识别系统，我们认为一个高质量的人脸图像应该与其类内样本相似，而与其类间样本不相似，如图1所示。为此，我们提出了一种基于类内-类间相似度分布距离的无监督人脸质量评估方法(SDD-FIQA)。

https://www.zhuanzhi.ai/paper/b51b03b10fb5b413e14282835e0e8a6a

该方法从人脸识别的性能影响因子出发，从理论上推导出人脸样本类间相似度分布与人脸图像质量高度相关，利用类内相似度分布和类间相似度分布之间的Wasserstein距离生成人脸图像质量伪标签。然后，利用这些质量伪标签进行无监督训练一个人脸质量回归网络，从而获得一个质量评估模型。大量实验表明，在各大人脸识别的基准数据集上，提出的SDD-FIQA方法在不同的人脸识别系统下，精度和泛化能力都达到国际最先进水平。

主要创新点：1）发现了人脸样本类间相似度分布与人脸图像质量高度相关；2）提出了类内-类间相似度分布距离的概念；3）从理论上导出了人脸图像质量与类内-类间相似度分布距离直接相关；4）提出了利用Wasserstein准则度量类内-类间相似度分布距离，并用于人脸图像质量评分；5）实现了一种完全无监督的人脸图像质量评估算法，性能最优。