CVPR 2021 论文大盘点-人脸识别篇

柔光的暖阳◎ 2022-09-16 11:18 344阅读 0赞

**关注公众号，发现CV技术之美**

# 本文总结CVPR 2021 人脸识别相关论文，包含极端姿态人脸识别、新数据集、跨年龄人脸识别等。共计 15 篇。    #

大家可以在：

https://openaccess.thecvf.com/CVPR2021?day=all

按照题目下载这些论文。

如果想要下载所有CVPR 2021论文，请点击这里：

[CVPR 2021 论文开放下载了！][CVPR 2021]

## 人脸识别 ##

A 3D GAN for Improved Large-pose Facial Recognition

本文介绍一种从自然图像中学习非线性纹理模型的方法，它可以用于生成具有完全分离姿势的合成身份的图像，不需要专门捕获面部纹理扫描。通过用合成的三维 GAN 图像增强数据集训练，使得模型对large-pose 面部识别得到改进，在CPLFW 数据集实现了最先进的性能。

作者 | Richard T. Marriott, Sami Romdhani, Liming Chen

单位 | 里昂中央理工学院；IDEMIA

论文 | https://arxiv.org/abs/2012.10545

![9a9843c570a5980658c83b41de4fe5b2.png][]

# When Age-Invariant Face Recognition Meets Face Age Synthesis: A Multi-Task Learning Framework #

文章提出一个多任务学习框架：MTLFace，可以同时实现 年龄不变的人脸识别和人脸跨年龄合成。其设计了两个新的模块：AFD 将特征分解为年龄和身份相关的特征，ICM 实现身份层面的人脸年龄合成。在跨年龄段和一般基准数据集上进行的广泛的人脸识别实验证明了所提出的方法的优越性。

作者 | Zhizhong Huang, Junping Zhang, Hongming Shan

单位 | 复旦大学；

论文 | https://arxiv.org/abs/2103.01520

代码 | https://github.com/Hzzone/MTLFace

备注 | CVPR 2021 oral

![7ac73fbe7134bd260ddba4d29ef99888.png][]

# MagFace: A Universal Representation for Face Recognition and Quality Assessment #

MagFace: 用于人脸识别和质量评估的通用表示法

作者 | Qiang Meng, Shichao Zhao, Zhida Huang, Feng Zhou

单位 | Aibee Inc

论文 | https://arxiv.org/abs/2103.06627

代码 | https://github.com/IrvingMeng/MagFace

备注 | CVPR 2021 oral

![29305d7680a847705aecbcac3a11f74d.png][]

# WebFace260M: A Benchmark Unveiling the Power of Million-Scale Deep Face Recognition #

本文介绍一个大规模的人脸识别数据集：WebFace260M，由 4M identities（身份）和 260M 人脸图像组成，为百万级深度人脸清洗和识别提供了很好的资源。

作者又进一步提纯数据，用所设计的可扩展高效的自训练 pipeline 对 WebFace260M 进行自动提纯，获得最大的训练集 WebFace42M，它在具有挑战性的 IJB-C 上得到新的SOTA，在 NIST-FRVT 上排名第三。

基于新的基准，作者进行了广泛的百万级人脸识别实验。在分布式训练框架的支持下，在FRUITS 协议下的测试集上建立了全面的基线。结果表明，轻量级赛道有很大的提升空间，同时也说明了重量级赛道创新的必要性。

作者 | Zheng Zhu, Guan Huang, Jiankang Deng, Yun Ye, Junjie Huang, Xinze Chen, Jiagang Zhu, Tian Yang, Jiwen Lu, Dalong Du, Jie Zhou

单位 | 清华；XForwardAI；帝国理工学院

论文 | https://arxiv.org/abs/2103.04098

代码 | https://www.face-benchmark.org/

![dcca3fe328f50f7a9454755f0d3a1e96.png][]

# ForgeryNet: A Versatile Benchmark for Comprehensive Forgery Analysis #

逼真的合成技术飞速发展，使真实图像与编辑图像之间的界限开始模糊。因此，基准测试和推进数字伪造分析已经成为一个迫在眉睫的问题。但现有的对此问题所需要的人脸伪造数据集要么多样性有限，要么只支持粗粒度的分析。

作者在本次工作中，针对上述挑战，构建了 ForgeryNet 数据集，是一个极其庞大的人脸伪造数据集，在图像和视频级数据中具有统一的标注，涵盖以下四个任务。

*  Image Forgery Classification：图像伪造分类，包括双向（真/假）、三向（真/假与身份置换的伪造方法/假与身份保留的伪造方法）和 n 向（真和 15 种各自的伪造方法）分类。
 *  Spatial Forgery Localization：空间伪造定位，将伪造图像的操纵区域与其对应的源头真实图像进行对比分割。
 *  Video Forgery Classification：视频伪造分类，对视频级作假分类进行重新定义，在随机位置上进行操纵帧。因为现实世界中的攻击者可以自由操纵任何目标帧。
 *  Temporal Forgery Localization：时间伪造定位，对被操纵的时间段进行定位。

ForgeryNet 是目前公开的最大的深度人脸伪造数据集，从数据规模（290万张图像，221247个视频）、manipulations操纵（7种图像级方法，8种视频级方法）、perturbations扰动（36种独立的和更多的混合扰动）和标注（630万个分类标签，290万个操纵区域标注和221247个时空伪造段标签）来看，它都是最大的。

作者 | Yinan He, Bei Gan, Siyu Chen, Yichun Zhou, Guojun Yin, Luchuan Song, Lu Sheng, Jing Shao, Ziwei Liu

单位 | 北京邮电大学；商汤；中国科学技术大学；南洋理工大学

论文 | https://arxiv.org/abs/2103.05630

代码 | https://yinanhe.github.io/projects/forgerynet.html

备注 | CVPR 2021 oral

![f6e3a820dded53639bb1c5f3018ebf0b.png][]

Spherical Confidence Learning for Face Recognition

# 用于人脸识别的球形置信度学习 #

作者 | Shen Li、Jianqing Xu、Xiaqing Xu、Pengcheng Shen、Shaoxin Li、Bryan Hooi

单位 | 新加坡国立大学；腾讯优图；Aibee

论文 |

https://openaccess.thecvf.com/content/CVPR2021/papers/Li\_Spherical\_Confidence\_Learning\_for\_Face\_Recognition\_CVPR\_2021\_paper.pdf

论文 | https://github.com/MathsShen/SCF/

备注 | CVPR 2021 oral

简介 | [1][]

![9c1fa1e221298deeb9bdb875a214f36b.png][]

# Cross-Domain Similarity Learning for Face Recognition in Unseen Domains #

跨域度量学习用于未见域人脸识别

作者 | Masoud Faraki, Xiang Yu, Yi-Hsuan Tsai, Yumin Suh, Manmohan Chandraker

单位 | NEC Labs America；加利福尼亚大学圣迭戈分校

论文 | https://arxiv.org/abs/2103.07503

![3ebfafe3feb5359085ad224779f7b2b1.png][]

# FACESEC: A Fine-grained Robustness Evaluation Framework for Face Recognition Systems #

FACESEC，一个用于人脸识别系统的细粒度鲁棒性评估框架。它包含四个评估维度，并可用于人脸识别开集和闭集系统验证。也是首个支持从多个维度和各种对抗环境下评估人脸识别系统不同组件风险的平台。在五个最先进的人脸识别系统上进行的全面和系统的评估表明，FACESEC 可以极大地帮助了解系统对数字和物理攻击的鲁棒性。

作者 | Liang Tong, Zhengzhang Chen, Jingchao Ni, Wei Cheng, Dongjin Song, Haifeng Chen, Yevgeniy Vorobeychik

单位 | 圣路易斯华盛顿大学；NEC Laboratories America；康涅狄格大学

论文 | https://arxiv.org/abs/2104.04107

![e8c4f4233378b693b1c5f1ca1e22d529.png][]

#     #

# Dynamic Class Queue for Large Scale Face Recognition In the Wild #

计算资源成本和长尾分类仍是大规模人脸识别任务中的挑战。本次工作，作者提出 dynamic class queue（DCQ）来解决这两个问题。

在最大的公共数据集 Megaface Challenge2（MF2）中，结果显示出比强大的基线有明显的改进，该数据集有 672K 个身份，其中 88% 以上的身份少于 10 个实例。

作者 | Bi Li, Teng Xi, Gang Zhang, Haocheng Feng, Junyu Han, Jingtuo Liu, Errui Ding, Wenyu Liu

单位 | 百度&华中科技大学&清华

论文 | https://arxiv.org/abs/2105.11113

代码 | https://github.com/bilylee/DCQ

![b7bc9949cfae16c9aa6eae528f9ef34f.png][]

# Consistent Instance False Positive Improves Fairness in Face Recognition #

问题：人口统计学上的偏差是实用人脸识别系统的一个重大挑战。而现有方法在很大程度上依赖于准确的人口统计学标注，在真实场景中通常是不可用的，多为特定的人口群体设计，不够普遍。

方案：提出一种假阳性率惩罚损失，通过提高实例 False Positive Rate（FPR）的一致性来减轻人脸识别的偏差。具体来说，首先将实例 FPR 定义为超过统一阈值的非目标相似性数量与非目标相似性总数之间的比率。其中统一的阈值是针对给定的总 FPR 而估计的。然后，在基于 softmax 的损失的分母中引入一个额外的惩罚项，该惩罚项与实例 FPR 总体 FPR 的比例成正比。实例 FPR 越大，惩罚就越大。通过这种不平等的惩罚，实例的 FPR 应该是一致的。与以前的 debiasing 方法相比，该方法不需要人口统计学标注。因此，可以减轻由各种属性划分的人口群体之间的偏差，而且这些属性不需要在训练中预定义。

结果：在流行基准上的广泛的实验结果表明，所提出方法比之前最先进的算法更有优势。

作者 | Xingkun Xu, Yuge Huang, Pengcheng Shen, Shaoxin Li, Jilin Li, Feiyue Huang, Yong Li, Zhen Cui

单位 | 腾讯优图&南京理工大学

论文 | https://arxiv.org/abs/2106.05519

代码 | https://github.com/Tencent/TFace

![ad455e5febbc7fc9cde8c45454ce824f.png][]

VirFace: Enhancing Face Recognition via Unlabeled Shallow Data

文中提出一种新的人脸识别方法，VirFace，可以有效利用未标记的数据进行人脸识别。VirFace 由 VirClass 和 VirInstance 组成。具体来说，前者通过添加未标记的数据作为新的身份来扩大类间距离，后者则从每个身份的学习分布中抽取虚拟实例来进一步扩大类间距离。是首个解决 Unlabeled Shallow Data 问题的工作。

在小型和大型数据集上进行的广泛的实验，如 LFW 和 IJB-C 等，都证明了所提方法的优越性。

作者 | Wenyu Li、Tianchu Guo、Pengyu Li、Binghui Chen、Biao Wang、 Wangmeng Zuo、 Lei Zhang

单位 | 哈尔滨工业大学；香港理工大学

论文 |

https://openaccess.thecvf.com/content/CVPR2021/papers/Li\_VirFace\_Enhancing\_Face\_Recognition\_via\_Unlabeled\_Shallow\_Data\_CVPR\_2021\_paper.pdf

![94040510848e4fa1f93acee1bc79810a.png][]

Variational Prototype Learning for Deep Face Recognition

“建立memory bank存储历史人脸特征，在计算softmax-based loss时，将历史人脸特征与分类权重加权融合，得到动态可变的分类权重(Variational Prototype)，等于用一个分类层完成了pair-based比对和class-based优化。”

——来自解析 https://zhuanlan.zhihu.com/p/402464541

作者 | Jiankang Deng、Jia Guo、Jing Yang、Alexandros Lattas、 Stefanos Zafeiriou

单位 | 华为；帝国理工学院；InsightFace；诺丁汉大学

论文 |

https://openaccess.thecvf.com/content/CVPR2021/papers/Deng\_Variational\_Prototype\_Learning\_for\_Deep\_Face\_Recognition\_CVPR\_2021\_paper.pdf

![86f97057eeaa3223fd3ec44f73b09227.png][]

# Mitigating Face Recognition Bias via Group Adaptive Classifier #

通过群体自适应分类器缓解人脸识别偏差

作者 | Sixue Gong, Xiaoming Liu, Anil K. Jain

单位 | 密歇根州立大学

论文 | https://arxiv.org/abs/2006.07576

代码 | https://github.com/gongsixue/GAC

![de960b3cd6d7d99b15ae1b7531513b8e.png][]

Improving Transferability of Adversarial Patches on Face Recognition with Generative Models

用生成模型提高对抗性补丁在人脸识别中的可迁移性

作者 | Zihao Xiao、Xianfeng Gao、Chilin Fu、Yinpeng Dong、Wei Gao、Xiaolu Zhang、Jun Zhou、Jun Zhu

单位 | 瑞莱智慧；蚂蚁金服；清华；北京理工大学；南洋理工大学

论文 |

https://openaccess.thecvf.com/content/CVPR2021/papers/Xiao\_Improving\_Transferability\_of\_Adversarial\_Patches\_on\_Face\_Recognition\_With\_Generative\_CVPR\_2021\_paper.pdf

![6204676595fb42cbcead8f2d192c662d.png][]

## 极端姿势下的人脸识别 ##

Pseudo Facial Generation with Extreme Poses for Face Recognition

文中提出一个轻量级的伪人脸生成器来重建极端姿势下的面部图像，并将其应用于预训练的人脸识别判别器。与其他基于GAN的方法相比，所提出方法所需计算消耗更小，获得精度更高。与 face frontalization 模型不同的是，仅对原始输入做一些微小的改变，生成伪侧面脸。

在六个基准数据集上的实验结果充分证实了所提出的方法在人脸识别任务上的有效性。值得注意的是，该方法并不局限于极端姿势下的人脸识别，也适用于那些受到域差距影响的任务，比如遮挡和化妆问题。

作者 | Guoli Wang、Jiaqi Ma、Qian Zhang、Jiwen Lu1、Jie Zhou

单位 | 清华；武汉大学；地平线

论文 |

https://openaccess.thecvf.com/content/CVPR2021/papers/Wang\_Pseudo\_Facial\_Generation\_With\_Extreme\_Poses\_for\_Face\_Recognition\_CVPR\_2021\_paper.pdf

![3bc974c48a1932bd7bf46011c658f67e.png][]

\- END -

编辑：CV君

转载请联系本公众号授权

![15d4a155eb36122b2d786dcd7fb49171.png][]

**备注：人脸**

![c1240600833f8862bf2376350c27105f.png][]

**人脸技术交流群**

人脸检测、识别、对齐、重建、表情识别、表情迁移，

若已为CV君其他账号好友请直接私信。

在看，让更多人看到 ![9d52f1acdb9751133e8c1171e77c1d71.gif][]

[CVPR 2021]: http://mp.weixin.qq.com/s?__biz=MzIwMTE1NjQxMQ==&mid=2247569262&idx=3&sn=1665c6049b0a3087cde699c5ec8ab3bb&chksm=96f1bd3aa186342cd199293cb522e468858fbed2f33b7d3f5912080c57847b003d1cf39a4d09&scene=21#wechat_redirect
[9a9843c570a5980658c83b41de4fe5b2.png]: /images/20220828/7ab7ad34fdee45c6ad691441303095ae.png
[7ac73fbe7134bd260ddba4d29ef99888.png]: /images/20220828/3c0c1f4f785f4c1390b30518076fdedf.png
[29305d7680a847705aecbcac3a11f74d.png]: /images/20220828/dc8197634b9b40a191f8853a32d867fa.png
[dcca3fe328f50f7a9454755f0d3a1e96.png]: /images/20220828/66cb88041b2e4eb09766de75b5af5d57.png
[f6e3a820dded53639bb1c5f3018ebf0b.png]: /images/20220828/49aa7fe690d84b0bab67c3fda12e6a25.png
[1]: http://mp.weixin.qq.com/s?__biz=MzIwMTE1NjQxMQ==&mid=2247559658&idx=3&sn=80d93e0311db8c766dbeb377cd024cb7&chksm=96f19bbea18612a835727423a65a9629d49498d2e5b381c7e9265b0f6d4d17b8aeedb326da69&scene=21#wechat_redirect
[9c1fa1e221298deeb9bdb875a214f36b.png]: /images/20220828/8ea49fc9357244f78724b7fa835c539b.png
[3ebfafe3feb5359085ad224779f7b2b1.png]: /images/20220828/c7e2962eae794c2cb1c128905417de0a.png
[e8c4f4233378b693b1c5f1ca1e22d529.png]: /images/20220828/bc9a939b67ef458d87b20c2ec68ea89e.png
[b7bc9949cfae16c9aa6eae528f9ef34f.png]: /images/20220828/c7e4b04c3b3743fe8efcffa28f8598c1.png
[ad455e5febbc7fc9cde8c45454ce824f.png]: /images/20220828/b7ebce9309b74299beba30d86e6c3570.png
[94040510848e4fa1f93acee1bc79810a.png]: /images/20220828/c3149a0b8d8d48fbb6613603bc8a6cb8.png
[86f97057eeaa3223fd3ec44f73b09227.png]: /images/20220828/546db74de6774409a567320d991265c1.png
[de960b3cd6d7d99b15ae1b7531513b8e.png]: /images/20220828/4ef66de666b6415aad6f4aad87b24bb1.png
[6204676595fb42cbcead8f2d192c662d.png]: /images/20220828/796117e5bb224363a73827528e18f67a.png
[3bc974c48a1932bd7bf46011c658f67e.png]: /images/20220828/fcacf735f45e4e4c9924a40d8442615b.png
[15d4a155eb36122b2d786dcd7fb49171.png]: /images/20220828/c8aa3b1cc92843bfaad45164297a0006.png
[c1240600833f8862bf2376350c27105f.png]: /images/20220828/546c1f2328cb48f986a44563ec6b9ee2.png
[9d52f1acdb9751133e8c1171e77c1d71.gif]: /images/20220828/1e2c1d3fb8e24e25b34b6de6746687f5.png