人脸识别质量评估新突破：CARPM-FIQA稳定提升排序能力，17种方法中冲进前4！
Learning Steadily: Accumulating Relative Point Margin Scores for Face Image Quality Assessment
📖 AI 总结
本文针对人脸图像质量评估（FIQA）中现有方法存在的训练不稳定性问题展开研究。当前与人脸识别模型集成的最优FIQA方法在训练过程中，由于特征空间不断演化，单轮次质量估计会出现波动，导致质量预测不可靠。为此，作者提出CARPM-FIQA方法，通过在整个训练轨迹上累积相对点间隔测量值（类内紧凑性与类间分离度之比）来实现稳定化，而非依赖单轮次估计。理论分析表明，累积平均可降低质量估计方差、改善均方误差并增强排序稳定性，且随训练推进具有收敛保证。在SynFIQA数据集上的实验验证了其优越的判别能力，消融实验也证实了不同训练配置下的一致性提升。在八个基准、四种人脸识别模型、两个FMR阈值下与十二种FIQA方法对比，CARPM-FIQA的两个变体分别位列17种方法中的第4和第6名，与最优方法的归一化平均性能差距仅几个百分点。该工作为训练不稳定性提供了有原则的解决方案，并表明时间聚合策略可推广至目标值因特征表示演化而波动的深度学习系统。
🔑 关键词速览
| FIQA (Face Image Quality Assessment) | 人脸图像质量评估，用于判断一张人脸图像是否适合用于自动人脸识别。 |
| FR-integrated FIQA | 与人脸识别模型集成的人脸图像质量评估方法，直接利用识别网络的特征来评估质量。 |
| Relative Point Margin (RPM) | 相对点间隔，指类内紧凑性与类间分离度的比值，用于衡量特征空间中样本的判别性。 |
| Cumulative Averaging | 累积平均，在训练过程中对历史测量值进行平均，以降低单轮次估计的波动。 |
| pAUC-EDC / AUC-EDC | 评估人脸图像质量评估方法性能的指标，基于错误拒绝与错误接受曲线下的面积，EDC表示错误判别代价。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅