人臉識別是AI研究的一個重要的方向，CVPR 2022也有很多相關的論文，本篇文章將針對不同的應用分類進行整理，希望對你有幫助

人臉識別

人臉識是一個熱門話題，在當前的基準測試中要以相當大的提升擊敗 現有的SOTA模型變得越來越困難。

越來越多的開放數據可以用于訓練，在百萬級規模的數據上進行訓練的一個主要問題是：最終的全連接層隨著身份的數量線性擴展，會導致每次迭代時內存占用巨大并且反向傳播時非常慢。一種旨在緩解這種情況的方法是 Partial FC [2]（在今年CVPR上發表之前就已經非常流行了）它已經包含在insightface的repo中。該方法試圖逼近現在標準的訓練人臉識別方法(如CosFace、ArcFace等)的最后一層。為了達到更好的縮放人臉識別的目的，Wang等人(來自阿里巴巴)的方法[3]使用名為動態分類池（Dynamic Class Pool）的來替代最后的FC層，并通過更好的數據加載器進行了進一步的改進(見下圖)。

另外兩篇關于人臉識別的論文:He at al. [4]試圖將深度和反照率從人臉圖像中分離出來,提高使用 3D 信息的識別能力。它通過引入帶有兩個輔助網絡的 3D 人臉重建損失來實現這一點。現在又很多方法都在試圖將面部整合成 3D 信息(NeRF的論文中也看到相同的內容)。Phan和Nguyen的[5]方法也可以在重度遮擋人臉(太陽鏡、口罩等)的人臉圖片上驗證，而且不需要對模型進行再訓練。

[4] 使用人臉的 3D 重建來改善人臉識別。

[5] 提出了一種巧妙的方法來使用未被遮擋的面部部分進行面部驗證（它不會重新訓練模型）。

減少偏置

今年在CVPR上看到了很多減少偏置的方法，很多論文都提出了不需要大量的注釋數據來顯著減輕偏置。

Liu和Yu[9]首先定義了一種新的人臉識別訓練的邊際損失，它使用了幾種偏置因素的組合，如種族、姿勢、模糊和遮擋。他們的方法也使用了一些長尾方法進行訓練(學習如何學習)。

Jung, Chun和Moon[10]的“Learning Fair Classifiers with Partially Annotated Group Labels”提出，當只有一小部分數據集有敏感組標簽的標注時，當前的公平分類方法的性能比從頭訓練差。然后作者提出了一種方法：可以通過只對一小部分組數據進行標注來提高公平性——在他們的實驗中，只有 10% 就足夠了。。

Wang等人[11]的研究更進一步，提出了一種無需再訓練就能減輕已部署模型偏差的方法。它使用了那些在十年前流行的對抗性擾動，表明只需要添加一個看起來是隨機的噪聲(這在視覺上不會影響人類的圖像)，就可以在分類器中很容易改變圖像的一個類別。論文中他們試圖找到這個擾動，來糾正似乎來自模型偏差的誤差。

活體檢測

Dhar et al. [6] 提出了一種基于知識蒸餾的巧妙方法，將識別和活體檢測數據集結合在單個多任務網絡中，用于人眼認證和演示攻擊檢測。當沒有標注的活體檢測數據集中的人的身份時這種方法是非常好的。

Wang et al. [7] 在人臉中獲取隨機補丁并應用類似于 arcface 的損失，來創建簇見距離的圖像特征，他們通過演示媒體和相機質量來區分PS圖像。

人臉偽造識別

目前在認證系統中經常出現的一種欺詐是人臉的偽造(deepfake)，通過偽造人臉可以繞過檢測系統。

Shiohara和Yamasaki[12]提出了一種方法，通過使用同一個人作為源圖像和目標圖像(他們稱之為自混合圖像)，使deepfake變得更加困難。

Jia et al [13] 提出了一種創建對抗性攻擊的方法，不僅在基于空間的檢測器中有效，而且在基于頻率的檢測器中也有效。

人臉重建

人臉重建的目的是從低質量的人臉圖像中重建出高質量的人臉圖像。在

Zhu et al. [14]（騰訊）利用3D信息來引導形狀并與生成先驗整合來進行人臉重建。論文的結果表明，與SOTA相比，該方法在重建真實人臉方面表現得相當好，但從論文的圖像樣本中可以清楚地看出，有時人的身份特征丟失了——這意味著，重建的圖像，即使是真實的人臉，它看起來也不是原始圖像中的同一個人。

Zhao等人發表了一篇非常有趣的論文，題為“Rethinking Deep Face Restoration”[15]，正好闡述了類似上面論文產生的身份丟失的問題。他們將人臉修復問題分為人臉生成和人臉重建兩個方面。通過單獨解決每個問題，并在兩個階段提出改進，可以大大改善結果。他們還提出了一個新的衡量標準來評估在重建過程中保留了多少身份特征。這是第一篇以這種方式評估重建的論文。這樣看，這個領域將如何發展，以及是否有可能在人臉識別之前使用這些方法還是可以有巨大的進步的。

NeRF - 神經輻射場

NeRF 仍然是本次 CVPR 中的熱門話題，基本上 NeRF 是一個生成模型，它使用來自不同視點的對象圖片進行訓練。經過訓練模型就能夠生成場景的新視點。

今年CVPR最佳學生論文榮譽獎被授予 Verbin 等人的工作 [16]。他們的方法找到了一種改善 NeRF 鏡面反射的方法（演示也很出彩）。盡管沒有用于面部生物識別，但 NeRF 被大量用于參數化面部/頭部。

Athar et al. [17]的工作結合了非常常見的人臉 3D 參數化 (3DMM) 和 NeRF。由此產生的系統能夠使用顯式參數來改變頭部姿勢和表情。也可以使用視頻作為輸入，并且他們也提供了視頻的演示。

最后，Rebain等人的一篇論文[18]（谷歌）似乎改變了nerf的游戲規則，它被稱為“LOLNeRF: Learn from One Look”。顧名思義，它們設法從大量單視圖圖像集合中學習形狀和外觀表示，有興趣的可以看看他們提供的DEMO。

總結

以上就是CVPR 2022上可能和人臉識別相關的論文總結，我在下面也提供了各個論文的引用，請按需查看：

1] — Kim, M., Jain, A. K., & Liu, X. (2022). AdaFace: Quality Adaptive Margin for Face Recognition. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 18750–18759).

[2] — An, X., Deng, J., Guo, J., Feng, Z., Zhu, X., Yang, J., & Liu, T. (2022). Killing Two Birds with One Stone: Efficient and Robust Training of Face Recognition CNNs by Partial FC. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 4042–4051).

[3] — Wang, K., Wang, S., Zhang, P., Zhou, Z., Zhu, Z., Wang, X., … & You, Y. (2022). An efficient training approach for very large scale face recognition. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 4083–4092).

[4] — He, M., Zhang, J., Shan, S., & Chen, X. (2022). Enhancing Face Recognition With Self-Supervised 3D Reconstruction. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 4062–4071).

[5] — Phan, H., & Nguyen, A. (2022). DeepFace-EMD: Re-Ranking Using Patch-Wise Earth Mover’s Distance Improves Out-of-Distribution Face Identification. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 20259–20269).

[6] — Dhar, P., Kumar, A., Kaplan, K., Gupta, K., Ranjan, R., & Chellappa, R. (2022). EyePAD++: A Distillation-based approach for joint Eye Authentication and Presentation Attack Detection using Periocular Images. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 20218–20227).

[7] — Wang, C. Y., Lu, Y. D., Yang, S. T., & Lai, S. H. (2022). PatchNet: A Simple Face Anti-Spoofing Framework via Fine-Grained Patch Recognition. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 20281–20290).

[8] — Wang, Z., Wang, Z., Yu, Z., Deng, W., Li, J., Gao, T., & Wang, Z. (2022). Domain Generalization via Shuffled Style Assembly for Face Anti-Spoofing. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 4123–4133).

[9] — Liu, C., Yu, X., Tsai, Y. H., Faraki, M., Moslemi, R., Chandraker, M., & Fu, Y. (2022). Learning to Learn across Diverse Data Biases in Deep Face Recognition. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 4072–4082).

[10] — Jung, S., Chun, S., & Moon, T. (2022). Learning Fair Classifiers with Partially Annotated Group Labels. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 10348–10357).

[11] — Wang, Z., Dong, X., Xue, H., Zhang, Z., Chiu, W., Wei, T., & Ren, K. (2022). Fairness-aware Adversarial Perturbation Towards Bias Mitigation for Deployed Deep Models. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 10379–10388).

[12] — Shiohara, K., & Yamasaki, T. (2022). Detecting Deepfakes with Self-Blended Images. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 18720–18729).

[13] — Jia, S., Ma, C., Yao, T., Yin, B., Ding, S., & Yang, X. (2022). Exploring Frequency Adversarial Attacks for Face Forgery Detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 4103–4112).

[14] — Zhu, F., Zhu, J., Chu, W., Zhang, X., Ji, X., Wang, C., & Tai, Y. (2022). Blind Face Restoration via Integrating Face Shape and Generative Priors. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 7662–7671).

[15] — Zhao, Yang, Yu-Chuan Su, Chun-Te Chu, Yandong Li, Marius Renn, Yukun Zhu, Changyou Chen, and Xuhui Jia. “Rethinking Deep Face Restoration.” In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 7652–7661. 2022.Neural Radiance Fields (NeRFs)

[16] — Verbin, D., Hedman, P., Mildenhall, B., Zickler, T., Barron, J. T., & Srinivasan, P. P. (2021). Ref-nerf: Structured view-dependent appearance for neural radiance fields. arXiv preprint arXiv:2112.03907.

[17] — Athar, S., Xu, Z., Sunkavalli, K., Shechtman, E., & Shu, Z. (2022). RigNeRF: Fully Controllable Neural 3D Portraits. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 20364–20373).

[18] — Rebain, D., Matthews, M., Yi, K. M., Lagun, D., & Tagliasacchi, A. (2022). LOLNeRF: Learn from One Look. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 1558–1567).

https://avoid.overfit.cn/post/9c15fe50f63e48739e2e8c1f40b5c76c

作者：Gustavo Führ

總結

以上是生活随笔為你收集整理的CVPR 2022上人脸识别相关的论文分类整理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。