(Un)Masked COVID-19 Trends from Social Media
Indraprastha Institute of Information Technology, Delhi（德里英德拉普拉斯塔信息技术学院）；Netaji Subhas University of Technology, Delhi（德里内塔吉·苏巴斯理工大学）；Shiv Nadar University, Noida（诺伊达希夫·纳达尔大学）
戴口罩是预防COVID-19的有效保护方法，COVID-19在全球范围内造成了广泛的经济和社会影响。在全球范围内，各国政府都要求使用口罩，这得到了积极和消极的反应。在线社交媒体提供了一个令人兴奋的平台来研究口罩的使用和分析潜在的口罩佩戴模式。在本文中，我们分析了美国六个城市的204万张社交媒体图片。随着COVID-19病例的增加，特别是当他们各自的州实施严格的规定时，图像中戴口罩的人数有所增加。我们还发现，随着居家法律的实施，张贴集体照片的数量减少了。此外，对Black Lives Matter抗议活动中的口罩合规性进行了分析，得出40%的人在集体照片中戴着口罩，其中45%的人戴着口罩，适合度超过80%。我们引入了两个新的数据集，Variety MAsks -分类（VAMA-C）和Variety MAsks -分割（VAMA-S），分别用于掩模检测和掩模拟合分析任务。为了进行分析，我们创建了两个框架，面具检测器（用于对面具和未面具的面部进行分类）和面具匹配分析器（基于语义分割的模型，用于计算面具匹配分数）。人脸面具检测器实现了98%的分类准确度，面具拟合分析器的语义分割模型实现了98%的交集（IOU）得分。我们的结论是，这样一个框架可以用来评估在大流行时期使用社交媒体平台的公共卫生战略的有效性。
2021-07-09 cs.CV eess.IV
Real-time Face Mask Detection in Video Data
University of Pennsylvania（宾夕法尼亚大学）
为了应对持续的COVID-19疫情，我们提出了一个强大的深度学习管道，能够从实时的【形】视频流中识别正确和不正确的口罩佩戴。为了实现这一目标，我们设计了两种不同的方法，并评估其性能和运行时效率。第一种方法利用预先训练的人脸检测器与在大规模合成数据集上训练的戴面具图像分类器相结合。第二种方法利用一个国家的最先进的目标检测网络进行定位和分类的脸在一个镜头，微调一小组标记的真实世界的图像。第一个流水线在合成数据集上实现了99.97%的测试准确率，并在视频数据上保持了6 FPS的运行速度。第二条流水线在真实世界图像上实现了89%的mAP（0.5），同时在视频数据上保持52 FPS。我们得出的结论是，如果可以策划具有边界框标签的较大数据集，则该任务最适合使用目标检测架构，如YOLO和SSD，因为它们具有优越的推理速度和令人满意的关键评估指标性能。
2021-05-05 cs.CV cs.LG eess.IV
Wearing face mask detection using deep learning through COVID-19 pandemic
Tarbiat Modares University（塔比亚特·莫达雷斯大学）
本文调查了SSD、YOLOv4-tiny和YOLOv4-tiny-3l三种物体检测神经网络在口罩检测中的能力，发现YOLOv4-tiny模型在仅使用1531张图像的情况下实现了85.31%的mAP和50.66 FPS，适合实时和移动应用。
2023-04-28 cs.AI cs.CV cs.LG
Self-restrained Triplet Loss for Accurate Masked Face Recognition
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形研究所）；TU Darmstadt（达姆施塔特工业大学）
使用面部作为生物识别身份特征的动机是捕获过程的非接触性质和识别算法的高准确性。在当前COVID-19疫情后，为控制疫情，公共场所已强制佩戴口罩。然而，由于戴口罩的人脸遮挡提出了一个新兴的挑战，人脸识别系统。在本文中，我们提出了一种解决方案，以提高蒙面人脸识别性能。具体来说，我们提出了嵌入解蔽模型（EUM）操作现有的人脸识别模型的顶部。我们还提出了一种新的损失函数，自我约束的三元组（SRT），这使得EUM产生嵌入类似于这些相同身份的未蒙面的面孔。三个人脸识别模型，两个真实的蒙面数据集，和两个合成生成的蒙面人脸数据集上取得的评价结果证明，我们提出的方法显着提高了性能，在大多数实验设置。
2021-12-13 cs.CV
MassFace: an efficient implementation using triplet loss for face recognition
在本文中，我们提出了一个有效的实现使用三重损失的人脸识别。我们通过实际实验分析了影响三联体丢失训练的因素。所有模型都在CASIA-Webface数据集上训练，并在LFW上测试。我们分析了实验结果，并给出了一些见解，以帮助其他人平衡的因素时，他们应用到自己的问题，特别是人脸识别任务。代码已在https://github.com/yule-li/MassFace上发布。
2019-02-28 cs.CV
TripVVT: A Large-Scale Triplet Dataset and a Coarse-Mask Baseline for In-the-Wild Video Virtual Try-On
Nanjing University, China（南京大学）；JIUTIAN Research, CMCC, China（JIUTIAN研究院，CMCC，中国）；Jilin University, China（吉林大学）；ByteDance Inc., China（字节跳动公司）
本文提出TripVVT-10K数据集和TripVVT框架，通过改进的遮罩先验提升视频虚拟试穿的鲁棒性和质量，同时建立评估基准以验证其在复杂场景中的泛化能力。
2026-04-30 cs.CV
Triplet Similarity Embedding for Face Verification
University of Maryland（马里兰大学）
在这项工作中，我们提出了一个无约束的人脸验证算法，并在最近发布的IJB-A数据集上对其进行了评估，该数据集旨在推动人脸验证方法的边界。该算法将基于CNN的深度方法与使用三元组相似性约束以大间隔方式学习的低维判别嵌入相结合。除了提高性能外，这种嵌入还在内存和后处理操作（如哈希和可视化）方面提供了显着的优势。在IJB-A数据集上的实验表明，该算法在验证和识别指标方面优于现有方法，同时需要更少的训练时间。
2016-03-13 cs.CV
Generalized Face Anti-Spoofing via Multi-Task Learning and One-Side Meta Triplet Loss
National Tsing Hua University（台湾清华大学）；Microsoft AI R&D Center（微软人工智能研发中心）
随着人脸呈现攻击的多样性，模型泛化成为实际人脸反欺骗系统面临的重要挑战。本文提出了一个广义的人脸反欺骗框架，包括三个任务：深度估计，人脸解析，和生活/欺骗分类。通过人脸解析和深度估计任务的逐像素监督，正则化特征可以更好地区分欺骗人脸。在用元学习技术模拟域转移时，所提出的单侧三元组丢失可以进一步大幅度提高泛化能力。在四个公共数据集上的大量实验表明，所提出的框架和训练策略比以前的工作更有效，可以将模型推广到未知领域。
2022-11-29 cs.CV
Analysis of face detection, face landmarking, and face recognition performance with masked face images
University of Ljubljana（卢布尔雅那大学）；Faculty of Computer and Information Science（计算机与信息科学学院）
人脸识别已经成为我们生活中必不可少的任务。然而，当前COVID-19疫情导致口罩的广泛使用。戴口罩的影响目前是一个研究不足的问题。本文的目的是分析人脸检测，人脸地标，人脸识别性能与蒙面的人脸图像。HOG和CNN人脸检测器与5点和68点人脸界标预测器相结合用于人脸检测，VGG 16人脸识别模型用于掩蔽和未掩蔽图像上的人脸识别。我们发现，人脸检测，人脸地标和人脸识别的性能受到面具的负面影响
2022-06-03 cs.CV
Real Masks and Spoof Faces: On the Masked Face Presentation Attack Detection
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形研究所）；TU Darmstadt（达姆施塔特工业大学）
口罩已成为减少COVID-19传播的主要方法之一。这使得人脸识别（FR）成为一项具有挑战性的任务，因为面具隐藏了人脸的几个区别特征。此外，人脸呈现攻击检测（PAD）是至关重要的，以确保FR系统的安全。与越来越多的蒙面FR研究相反，面部蒙面攻击对PAD的影响尚未被探讨。因此，我们提出了新的攻击与真正的面具放在演示文稿和攻击的主题戴着面具，以反映当前的现实世界的情况。此外，本研究调查的影响，掩盖攻击的PAD性能，通过使用七个国家的最先进的PAD算法在不同的实验设置。我们还评估了FR系统的脆弱性，以掩盖攻击。实验表明，真实伪装攻击对FR系统的运行和安全构成了严重威胁。
2021-11-01 cs.CV
MLFW: A Database for Face Recognition on Masked Faces
Beijing University of Posts and Telecommunications（北京邮电大学）
随着越来越多的人因当前的COVID-19大流行而开始戴口罩，现有的人脸识别系统在识别蒙面人脸时可能会遇到严重的性能下降。为了研究面具对人脸识别模型的影响，本文建立了一个简单有效的工具，可以自动地从非面具人脸生成面具人脸，并在跨年龄LFW（Cross-Age LFW，CALFW）数据库的基础上构建了一个新的面具LFW（Masked LFW，MLFW）数据库。我们的方法生成的蒙面人脸上的面具与原始人脸具有良好的视觉一致性。此外，我们收集了各种面具模板，涵盖了日常生活中出现的大多数常见样式，以实现多样化的生成效果。考虑到现实场景，我们设计了三种人脸对的组合。SOTA模型在MLFW数据库上的识别精度较原始图像的识别精度下降了5%~ 16%。MLFW数据库可在\url{http://whdeng.cn/mlfw}上查看和下载。
2021-09-15 cs.CV
Longitudinal Analysis of Mask and No-Mask on Child Face Recognition
Malaviya National Institute of Technology Jaipur（斋浦尔马拉维亚国家理工学院）；State University of New York Polytechnic Institute（纽约州立大学理工学院）
人脸是人脸识别中应用最广泛的特征之一，甚至在许多大规模的应用中也是如此。尽管人脸识别系统的技术进步，他们仍然面临着姿势，表情，遮挡和老化变化造成的障碍。由于COVID-19疫情，非接触式身份验证变得极其重要。近年来，关于口罩对成人面部识别系统（FRS）影响的研究很少。然而，戴口罩的年龄对儿童主体识别的影响尚未得到充分探讨。因此，本研究的主要目的是分析儿童的纵向影响，以及口罩和其他协变量对FRS。具体而言，我们使用我们生成的合成口罩和无口罩样本，在儿童跨年龄验证和识别设置下，对三个表现最佳的公开可用人脸匹配器和COVID-19后的商业现货（COTS）系统进行了比较研究。此外，我们还研究了戴口罩和不戴口罩眼镜的纵向后果。该研究利用了无掩模纵向儿童面部数据集（即，扩展的印度儿童纵向面部数据集），包含平均3.35年的年龄组[2，18]中7，473名受试者的26，258张面部图像。由于面具和人脸老化的综合影响，FaceNet，PFE，ArcFace和COTS人脸验证系统的准确率分别下降约25%，22%，18%，12%。
2022-03-13 cs.CV
Enhancing Convolutional Neural Networks for Face Recognition with Occlusion Maps and Batch Triplet Loss
University of Hertfordshire（赫特福德大学）；IDscan Biometrics（IDscan生物识别技术公司）
尽管最近卷积神经网络在计算机视觉应用中取得了成功，但无约束人脸识别仍然是一个挑战。在这项工作中，我们对该领域做出了两项贡献。首先，我们考虑了部分遮挡的人脸识别问题，并展示了当前的方法在处理这种人脸图像时可能会遭受显着的性能下降。我们提出了一种简单的方法来找出人脸的哪些部分对实现高识别率更重要，并在训练过程中使用这些信息来迫使卷积神经网络更平等地学习所有人脸区域的判别特征，包括那些典型方法往往不太关注的特征。我们测试所提出的方法处理现实生活中的遮挡时，使用AR人脸数据库的准确性。其次，我们提出了一种新的损失函数，称为批量三重损失，通过向损失函数添加额外的项来提高三重损失的性能，以使正负分数的标准差最小化。我们通过将这两种建议的调整应用于卷积神经网络训练，在野外标记人脸（LFW）基准测试中显示出一致的改进。
2018-06-10 cs.CV
Adversarial Training for Face Recognition Systems using Contrastive Adversarial Learning and Triplet Loss Fine-tuning
UCF（中佛罗里达大学）
虽然在提高面部识别系统的对抗鲁棒性方面已经做了很多工作，但令人惊讶的是，其中很小一部分集中在自我监督方法上。在这项工作中，我们提出了一种将对抗性预训练与三重损失对抗性微调相结合的方法。我们将我们的方法与预先训练的ResNet50模型进行了比较，该模型构成了FaceNet的主干，并在我们的CelebA数据集上进行了微调。通过比较没有对抗训练的对抗鲁棒性，与三重损失对抗训练，以及我们的对比预训练与三重损失对抗微调相结合，我们发现我们的方法在微调过程中需要更少的时期，取得了相当的结果。这看起来很有希望，增加微调的训练时间应该会产生更好的结果。除此之外，还进行了一个改进的半监督实验，该实验证明了通过引入少量标签来改进对比对抗训练。
2021-10-09 cs.CV
Mask-invariant Face Recognition through Template-level Knowledge Distillation
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形研究所）；TU Darmstadt（达姆施塔特工业大学）
全球COVID-19疫情的出现为生物识别技术带来了新的挑战。不仅非接触式生物识别选项变得越来越重要，人脸识别最近也面临着频繁佩戴口罩的问题。这些面具影响了以前的人脸识别系统的性能，因为它们隐藏了重要的身份信息。在本文中，我们提出了一个面具不变的人脸识别解决方案（MaskInv），利用模板级的知识蒸馏内的训练范式，目的是在生产的蒙面脸，类似于那些非蒙面的脸相同的身份嵌入。除了提取的知识之外，学生网络还受益于基于边缘的身份分类损失的额外指导，ElasticFace，使用掩蔽和非掩蔽的面孔。在两个真实的面具人脸数据库和五个主流数据库与合成面具逐步消融研究，我们证明了我们的MaskInv方法的合理性。在最近的MFRC-21挑战中，我们提出的解决方案在两种情况下（掩蔽与掩蔽和掩蔽与非掩蔽）都优于以前的最先进（SOTA）学术解决方案，并且在MFR 2数据集上也优于以前的解决方案。此外，我们证明了该模型仍然可以很好地执行未掩蔽的面孔，只有一个轻微的损失，在验证性能。代码、训练模型以及综合掩蔽数据的评估协议可在https://github.com/fdbtrs/Masked-Face-Recognition-KD上公开获得。
2021-12-10 cs.CV
A 3D model-based approach for fitting masks to faces in the wild
Korea Institute of Science and Technology（韩国科学技术研究院）；Seoul National University（首尔大学）；University of Science and Technology（科学技术联合大学院大学）
在这个前所未有的COVID-19大流行时代，人脸识别现在需要大量带标签的蒙面人脸图像。不幸的是，病毒的快速传播使我们几乎没有时间在野外为这样的数据集做准备。为了规避这个问题，我们提出了一个基于3D模型的方法，称为WearMask3D的增强人脸图像的各种姿势的蒙面面对同行。我们的方法首先在输入图像上拟合3D变形模型，然后将面具表面覆盖到面部模型上并扭曲相应的面具纹理，最后将3D面具投影回2D。基于输入图像的亮度和分辨率来适配掩模纹理。通过在3D中工作，我们的方法可以从单个掩模纹理产生更自然的不同姿势的掩模面部。为了在不同的增强方法之间进行精确比较，我们构建了一个数据集，该数据集包括带有MFW-mini标签的掩蔽和未掩蔽人脸。实验结果表明，WearMask3D产生更真实的蒙面面孔，并利用这些图像进行训练，导致最先进的蒙面面孔识别精度。
2021-08-02 cs.CV
Indian Masked Faces in the Wild Dataset
IIT Jodhpur（印度理工学院焦特布尔分校）；IIIT-Delhi（德里信息技术学院）
由于COVID-19疫情，佩戴口罩已成为全球公共场所的强制规定。面罩遮挡面部区域的显著部分。此外，人们戴着不同类型的面具，从简单的面具到带有图形和印刷品的面具。这些都对人脸识别算法提出了新的挑战。研究人员最近提出了一些蒙面人脸数据集，用于设计算法来克服蒙面人脸识别的挑战。然而，现有的数据集缺乏文化多样性和收集在无限制的设置。像印度这样的国家，服装多样化，人们不仅限于戴传统的口罩，还穿着薄棉布印花毛巾（当地称为“gamcha”）、“stoles”和“handchiefs”等衣服来遮住脸。在本文中，我们提出了一种新的\textbf{Indian Masked Faces in the Wild (IMFW)}数据集，其中包含的图像的姿态，照明，分辨率的变化，以及由主体所戴的各种面具。我们还对现有人脸识别模型在拟议的IMFW数据集上的性能进行了基准测试。实验结果表明，现有的算法在不同的条件下存在的局限性。
2021-06-17 cs.CV
Age-Oriented Face Synthesis with Conditional Discriminator Pool and Adversarial Triplet Loss
University of Warwick（华威大学）；Deakin University（迪肯大学）
香草生成对抗网络（GAN）通常用于生成描绘衰老和年轻面孔的逼真图像。然而，这种普通GANs在面向年龄的人脸合成任务中的性能通常受到模式坍塌问题的影响，这可能导致生成具有最小变化的人脸和较差的合成精度。此外，最近的面向年龄的人脸合成方法使用的L1或L2约束，以保持合成的脸，这隐含地限制了身份持久性的能力时，这些约束与一个平凡的加权因子。在本文中，我们提出了一种面向年龄的人脸合成任务，实现了高的合成精度与强身份持久性的能力。具体来说，为了实现高的合成精度，我们的方法解决了模式坍塌的问题与一个新的条件判别池（CDP），其中包括多个判别器，每个针对一个特定的年龄类别。为了实现强大的身份持久性能力，我们的方法使用了一种新的对抗性三重损失。这种基于三重损失的损失增加了一个排名操作，以进一步将正嵌入拉向锚嵌入，从而显著降低了特征空间中的类内方差。通过大量的实验，我们表明，我们提出的方法优于国家的最先进的方法在合成精度和身份持久性的能力，定性和定量。
2020-07-03 cs.CV
Face Mask Removal with Region-attentive Face Inpainting
针对口罩遮挡导致人脸识别失效问题，提出基于多尺度通道-空间注意力模块（M-CSAM）的生成式人脸修复方法，通过聚焦遮挡区域监督信号，在自建的Masked-Faces数据集上实现了高保真度与身份保持的口罩去除，性能优于基线。
2025-04-02 cs.CV
Masked Face Dataset Generation and Masked Face Recognition
针对口罩人脸识别挑战，自建口罩数据集并微调Inception ResNet v1，结合数据增强，在50身份识别中达到95%准确率。
2023-12-25 cs.CV
MaskFace: multi-task face and landmark detector
Harman（哈曼）
目前，在人脸分析领域，用于人脸检测和地标定位的单任务方法占主导地位。在本文中，我们提请注意多任务模型同时解决这两个任务。我们提出了一个高度准确的人脸和地标检测模型。该方法称为MaskFace，通过添加关键点预测头来扩展先前的人脸检测方法。新的关键点头采用了Mask R-CNN的思想，通过RoIAlign层提取面部特征。关键点头部在图像中人脸较少的情况下增加了较小的计算开销，同时显着提高了精度。我们评估MaskFace在AFW，PASCAL人脸，FDDB，WIDER FACE数据集上的人脸检测任务和在AFLW，300 W数据集上的地标定位任务上的性能。对于这两个任务，MaskFace都取得了最先进的结果，优于许多单任务和多任务模型。
2020-05-19 cs.CV
A Comprehensive Study on Occlusion Invariant Face Recognition under Face Mask Occlusion
University of Westminster（威斯敏斯特大学）；Informatics Institute of Technology（信息学技术学院）
口罩是日常生活中必不可少的卫生用品，在疫情期间不断增长，对目前的人脸识别系统构成了巨大威胁。面具破坏了面部大面积的许多细节，即使是人类也很难识别它们。评估报告显示了识别蒙面面孔时的困难。近年来，深度学习的快速发展和突破见证了人脸识别算法最有希望的结果。但是，在不受约束的环境中，在诸如变化的照明条件、低分辨率、面部表情、姿势变化和遮挡等挑战期间，它们的表现远远不能令人满意。面部咬合被认为是最棘手的问题之一。特别是当遮挡占据面部的大区域时，因为它破坏了许多官方特征。
2022-01-22 cs.CV
MaskRenderer: 3D-Infused Multi-Mask Realistic Face Reenactment
University of Toronto（多伦多大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）
提出身份无关的端到端人脸重现系统MaskRenderer，利用3DMM建模、三元组损失和多尺度遮挡技术，有效解决身份泄露与嘴部动作模仿问题，在VoxCeleb1上优于现有方法。
2023-09-10 cs.CV
High-Accuracy RGB-D Face Recognition via Segmentation-Aware Face Depth Estimation and Mask-Guided Attention Network
Department of Computer Science, National Tsing Hua University（台湾清华大学计算机科学系）；Microsoft AI R&D Center（微软人工智能研发中心）
深度学习方法通过用非常大的人脸图像数据集训练模型来实现高度准确的人脸识别。与大型2D人脸图像数据集的可用性不同，缺乏可供公众使用的大型3D人脸数据集。现有的公开3D人脸数据集通常采集对象较少，导致过拟合问题。本文提出了两种CNN模型来改进RGB-D人脸识别任务。第一个是分割感知深度估计网络，称为DepthNet，它通过包含语义分割信息来估计RGB人脸图像的深度图，以实现更准确的人脸区域定位。另一个是一种新的面具引导的RGB-D人脸识别模型，它包含一个RGB识别分支，一个深度图识别分支，和一个辅助分割面具分支与空间注意力模块。我们的DepthNet用于将大型2D人脸图像数据集增强为大型RGB-D人脸数据集，用于训练准确的RGB-D人脸识别模型。此外，所提出的面具引导的RGB-D人脸识别模型可以充分利用深度图和分割面具信息，并且比以前的方法对姿态变化更具鲁棒性。我们的实验结果表明，深度网络可以产生更可靠的深度图从人脸图像的分割掩模。我们的面具引导人脸识别模型在几个公共3D人脸数据集上的性能优于最先进的方法。
2021-12-22 cs.CV
Masked Face Recognition using ResNet-50
Kansas State University（堪萨斯州立大学）
在过去的二十年里，世界各地爆发了几次不同的冠状病毒疾病。这些爆发往往导致呼吸道疾病，有时甚至是致命的。目前，随着冠状病毒家族COVID-19疾病的出现，我们正面临一场难以捉摸的健康危机。COVID-19的传播方式之一是空气传播。这种传播发生在人类通过呼吸、说话、唱歌、咳嗽或打喷嚏吸入感染者释放的飞沫时。因此，公共卫生官员已强制使用口罩，可以将疾病传播减少65%。对于通常用于安全验证目的的人脸识别程序，使用口罩带来了艰巨的挑战，因为这些程序通常使用没有口罩的人脸进行训练，但现在由于COVID-19大流行的爆发，他们被迫识别带有口罩的人脸。因此，本文通过开发一个基于深度学习的模型来研究同样的问题，该模型能够准确识别戴口罩的人。在本文中，作者训练了一个基于ResNet-50的架构，该架构在识别蒙面人脸方面表现良好。这项研究的结果可以无缝地集成到现有的人脸识别程序中，这些程序旨在检测用于安全验证目的的人脸。
2021-04-19 cs.CV
3D Face Mask Presentation Attack Detection Based on Intrinsic Image Analysis
School of Electronics and Information, Northwestern Polytechnical University（西北工业大学电子信息学院）；Department of Electrical and Electronic Engineering, University of Cagliari（卡利亚里大学电气与电子工程系）
人脸呈现攻击已经成为人脸识别系统的主要威胁，在过去的十年中，已经提出了许多对策。然而，他们中的大多数都致力于2D人脸呈现攻击，而不是3D人脸面具。与真实面部不同，3D面罩通常由树脂材料制成，表面光滑，从而导致反射率差异。因此，我们提出了一种新的检测方法的3D面具呈现攻击的反射差异建模的基础上的内在图像分析。该方法首先对人脸图像进行本征图像分解，计算其反射率图像。然后，从三个正交平面中提取强度分布直方图，以表示真实人脸和3D面具之间的反射图像的强度差异。之后，进一步使用1D卷积网络来捕获用于描述不同材料或表面对光照变化的不同反应的信息。在3DMAD数据库上进行的大量实验证明了该方法在区分人脸和真实人脸方面的有效性，并表明其检测性能优于其他最先进的方法。
2019-03-27 cs.CV
Seeing through the Mask: Multi-task Generative Mask Decoupling Face Recognition
Beijing University Of Posts and Telecommunications（北京邮电大学）；Oppo Research Institute（OPPO研究院）
本文提出多任务生成式口罩解耦人脸识别网络MEER，通过口罩解耦模块分离口罩与身份信息，并利用联合训练策略恢复无遮挡面容以优化识别，在真实和合成遮挡基准上优于现有方法。
2023-11-20 cs.CV
Trident: Detecting Face Forgeries with Adversarial Triplet Learning
Department of Computer Engineering, Bilkent University（计算机工程系，比尔肯特大学）
提出Trident人脸伪造检测框架，采用Siamese网络三元组学习与域对抗训练，捕捉细粒度伪造特征并学习与伪造无关的表示，有效提升对未见篡改的泛化与鲁棒性。
2025-06-29 cs.CV
MGFace: Mask-Gated Face Matching via Conditional Similarity Routing
UIT
研究针对口罩遮挡下面部识别准确率下降问题，提出MGFace掩码门控面部识别管道，通过预测掩码状态有条件地路由相似性计算，区分不同情况处理，实验表明其能高效提升准确率，降低查询时间。
2026-07-16 cs.CV
A Masked Face Classification Benchmark on Low-Resolution Surveillance Images
University of Verona（维罗纳大学）
本文提出低分辨率戴口罩微小人脸分类数据集 SF-MASK，通过引入合成图像解决姿态多样性缺口，并支持多类分类，实验证明其能显著提升多种分类器的性能。
2023-08-03 cs.CV
Unique Faces Recognition in Videos
University of the Witwatersrand（威特沃特斯兰德大学）
本文采用度量学习方法和相似性排序模型处理视频中的人脸识别。本文比较了具有对比损失的Siamese网络和具有三重损失的Triplet网络的使用，实现了以下架构：Google/Inception架构，3D卷积网络（C3 D）和2-D长短期记忆（LSTM）递归神经网络。我们使用来自视频的静态图像和序列来训练网络，并比较实现上述架构的性能。使用的数据集是YouTube人脸数据库，旨在研究视频中的人脸识别问题。本文的贡献是双重的：首先，实验已经建立了3-D卷积网络和2-D LSTM与图像序列的对比度损失不优于谷歌/Inception架构的对比度损失在顶部$n$排名人脸检索与静止图像。然而，3-D卷积网络和具有三重损失的2-D LSTM在数据集上的最高$n$排名人脸检索中优于具有三重损失的Google/Inception;其次，支持向量机（SVM）与CNN的学习特征表示结合使用，用于人脸识别。结果表明，与对比损失相比，使用三重损失学习的特征表示对于n次面部识别明显更好。用于面部识别的最有用的特征表示来自具有三重丢失的2-D LSTM。实验表明，从视频序列中学习时空特征有利于视频中的人脸识别。
2020-06-10 cs.CV
RetinaFaceMask: A Single Stage Face Mask Detector for Assisting Control of the COVID-19 Pandemic
City University of Hong Kong（香港城市大学）
2019冠状病毒对世界产生了重大影响。预防感染的一个有效策略是在公共场所戴口罩。某些公共服务提供者要求客户只有在正确佩戴口罩的情况下才能使用其服务。然而，只有少数研究自动人脸面具检测。在本文中，我们提出了RetinaFaceMask，第一个高性能的单级人脸检测器。首先，为了解决现有研究没有区分正确和不正确的口罩佩戴状态的问题，我们建立了一个包含这些注释的新数据集。其次，我们提出了一个上下文注意模块，专注于学习与口罩佩戴状态相关联的区别特征。第三，我们从人脸检测任务中转移了知识，灵感来自人类如何通过从类似任务中学习来提高他们的能力。消融研究显示了所提出的模型的优点。在公共数据集和新数据集上的实验结果证明了我们模型的最新性能。
2021-12-15 cs.CV
Masked Face Recognition under Different Backbones
Sichuan University（四川大学）
本文通过对比实验评估不同主干网络在带口罩人脸识别中的性能，揭示模型对遮挡环境的适应性并提供部署建议。
2026-01-23 cs.CV
Non-Deterministic Face Mask Removal Based On 3D Priors
Ecole Centrale de Lyon（里昂中央理工学院）；Beihang University（北京航空航天大学）
本文提出了一种新的图像修补框架，以消除人脸面具。虽然目前的方法已经证明了他们令人印象深刻的能力，在恢复受损的人脸图像，他们遭受两个主要问题：手动标记的缺失区域的依赖性和确定性的结果对应于每个输入。所提出的方法解决了这些问题，通过集成一个多任务的三维人脸重建模块与人脸修复模块。给定一个蒙面的人脸图像，前者预测一个基于3DMM的重建的脸连同一个二进制遮挡图，提供密集的几何和纹理先验，大大方便了后者的修复任务。通过逐步控制3D形状参数，我们的方法生成高质量的动态修复结果与不同的表情和嘴部运动。定性和定量实验验证了该方法的有效性。
2022-03-03 cs.CV
Partial Attack Supervision and Regional Weighted Inference for Masked Face Presentation Attack Detection
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形研究所）；TU Darmstadt（达姆施塔特工业大学）
戴口罩已被证明是预防SARS-CoV-2冠状病毒传播的最有效方法之一。然而，戴口罩提出了不同的人脸识别任务的挑战，并提出了蒙面人脸呈现检测（PAD）的性能的关注。面具脸PAD面临的主要问题是错误分类的真实面具脸和错误分类的部分攻击（被真实面具覆盖）。这项工作通过提出一种方法来解决这些问题，该方法考虑部分攻击标签来监督PAD模型训练，以及区域加权推理，通过改变对不同面部区域的关注来进一步提高PAD性能。我们提出的方法不直接与特定的网络架构相关联，因此可以直接纳入任何常见或定制设计的网络。在我们的工作中，两个神经网络（DeepPixBis和MixFaceNet）被选为骨干。在协作真实掩码攻击（CRMA）数据库上进行了实验。我们提出的方法优于建立PAD方法在CRMA数据库中，减少了上述缺点时，面对蒙面的脸。此外，我们提出了一个详细的逐步消融研究，指出个人和共同的好处，提出的概念对整体PAD的性能。
2021-11-08 cs.CV
Mask-Guided Portrait Editing with Conditional GANs
University of Science and Technology of China（中国科学技术大学）；Microsoft Research（微软研究院）
肖像编辑是照片处理中的一个流行主题。生成对抗网络（GAN）推进了真实面部的生成，并允许更多的面部编辑。在本文中，我们讨论了现有技术中的三个问题：多样性，质量和可控性的肖像合成和编辑。为了解决这些问题，我们提出了一种新的端到端学习框架，该框架利用条件GANs，由提供的人脸模板引导生成人脸。该框架学习每个面部组件的特征嵌入（例如，嘴、头发、眼睛），从而有助于更好地对应图像翻译和局部面部编辑。有了面具，我们的网络可用于许多应用程序，如面具驱动的面部合成，面部交换+（包括交换中的头发）和局部操作。作为数据增强的一个选项，它还可以提高面部解析的性能。
2019-05-24 cs.CV
Masks and Manuscripts: Advancing Medical Pre-training with End-to-End Masking and Narrative Structuring
University of Oxford（牛津大学）；Oxford Suzhou Centre for Advanced Research（牛津大学苏州高等研究院）
针对医学对比学习语义不一致问题，提出文本标准化三元组转换与基于Meijering的视觉掩码方法，在多模态对比学习框架中推进跨模态表示，树立医学图像分析新基准。
2024-07-23 cs.CV
Triplet Distillation for Deep Face Recognition
Zhejiang University（浙江大学）；Gilman School（吉尔曼学校）
卷积神经网络（CNN）在人脸识别中取得了巨大的成功，但其代价是大量的计算和存储消耗。因此，许多紧凑的人脸识别网络被提出来解决这个问题。三重态损失是进一步提高这些紧凑模型性能的有效方法。然而，它通常对所有样本采用固定的裕度，这忽略了不同身份之间的信息相似性结构。在本文中，我们提出了一个增强版的三重损失，命名为三重蒸馏，它利用教师模型的能力，通过自适应地改变正负对之间的利润率，将相似性信息转移到一个小模型。在LFW、CPLDB和CPLFW数据集上的实验表明，与原始的三元组丢失相比，该方法具有更好的性能。
2019-05-19 cs.CV cs.LG
The Effect of Wearing a Mask on Face Recognition Performance: an Exploratory Study
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形研究所）；TU Darmstadt（达姆施塔特工业大学）
人脸识别作为一种方便、非接触的准确身份验证方法，已成为我们日常生活中必不可少的一部分。在自动边境控制门进行身份验证或安全登录电子设备等过程越来越依赖于这些技术。最近的COVID-19大流行增加了卫生和非接触式身份验证的价值。然而，疫情导致口罩的广泛使用，这对控制疫情至关重要。戴口罩对人脸识别的影响是目前研究较少的敏感问题。我们提出了一个专门收集的数据库，其中包含三个会话，每个会话有三个不同的捕获指令，以模拟现实的用例。我们进一步研究了蒙面脸探头的行为上的三个性能最好的人脸识别系统，两个学术解决方案和一个商业现货（COTS）系统的效果。
2020-08-20 cs.CV
A Comprehensive Survey of Masked Faces: Recognition, Detection, and Unmasking
Chungbuk National University（忠北国立大学）；Assiut University（艾斯尤特大学）
本文综述口罩人脸识别、口罩检测与人脸去口罩的深度学习方法、数据集、指标、挑战及未来方向。
2024-05-09 cs.CV
Masked Face Image Classification with Sparse Representation based on Majority Voting Mechanism
SiChuan University（四川大学）
稀疏逼近是从冗余字典中寻找信号稀疏线性组合的问题，在信号处理和压缩感知中有着广泛的应用。在这个项目中，我设法实现了正交匹配追踪（OMP）算法和基于稀疏表示的分类（SRC）算法，并利用它们完成了基于多数表决的掩蔽图像分类的任务。在AR数据集上的实验结果表明，OMP算法结合SRC算法的人脸分类效果优于传统的人脸图像分类，准确率达到98.4%。
2020-11-09 cs.CV
Occlusion Robust Face Recognition Based on Mask Learning with PairwiseDifferential Siamese Network
Tencent AI Lab（腾讯人工智能实验室）；Tsinghua University（清华大学）
近年来，深度卷积神经网络（CNN）在人脸识别领域的研究取得了很大进展。然而，现有的一般CNN人脸模型推广到可变的面部区域上的遮挡的情况差。受人类视觉系统明确忽略遮挡并且只关注非遮挡面部区域的事实的启发，我们提出了一种掩模学习策略来查找和丢弃用于面部识别的损坏的特征元素。首先利用遮挡和无遮挡人脸对的顶部卷积特征之间的差异，使用创新设计的成对差分连体网络（PDSN）建立掩码字典。该字典中的每一项都捕获了被遮挡的面部区域与损坏的特征元素之间的对应关系，称为特征丢弃掩码（FDM）。在处理具有随机部分遮挡的人脸图像时，我们通过结合相关字典项来生成FDM，然后将其与原始特征相乘以消除那些损坏的特征元素。在合成和真实遮挡人脸数据集上的综合实验表明，该方法的性能明显优于现有技术。
2019-08-17 cs.CV
Contrastive Context-Aware Learning for 3D High-Fidelity Mask Face Presentation Attack Detection
MUST（澳门科技大学）；Mininglamp Academy of Sciences, Mininglamp Technology（明略科技集团明略科学院）；NLPR, CASIA, UCAS（中国科学院自动化研究所模式识别国家重点实验室，中国科学院大学）；CVC, UB（巴塞罗那大学计算机视觉中心）；Baidu Research（百度研究院）；Westlake University（西湖大学）；University of Oulu（奥卢大学）
人脸呈现攻击检测（PAD）对于保护人脸识别系统免受高保真面具攻击至关重要。大多数现有的3D面罩PAD基准具有几个缺点：1）面罩身份、传感器类型和视频总数有限; 2）面罩的低保真度质量。基本的深度模型和远程光电容积脉搏波（rPPG）方法在这些基准测试中取得了可接受的性能，但仍远未满足实际场景的需求。为了弥合与现实世界应用的差距，我们引入了一个大规模的高保真掩码数据集，即CASIA-SURF HiFiMask（简称HiFiMask）。具体而言，通过7种新型传感器，从75个主题记录了225个逼真面具的总计54，600个视频。结合数据集，我们提出了一个新的对比上下文感知学习框架，即CCL。CCL是一种用于监督PAD任务的新训练方法，它能够通过准确地利用丰富的上下文（例如，主题，面具材料和照明）之间的对活的脸和高保真面具攻击。在HiFiMask和另外三个3D掩模数据集上的广泛实验评估证明了我们方法的有效性。
2021-04-13 cs.CV
Periocular Biometrics and its Relevance to Partially Masked Faces: A Survey
Michigan State University（密歇根州立大学）
由于COVID-19疫情，口罩及其他类型的面部覆盖物变得普遍，人脸识别系统的性能可能受到负面影响。在这种情况下，人脸的眼周区域成为重要的生物特征线索。在这篇文章中，我们提出了一个详细的审查眼周生物特征。我们首先研究了各种面部和眼周技术，专门设计用于识别戴面具的人。然后，我们回顾眼周生物识别的不同方面：（a）存在于眼周区域中的对识别有用的解剖学线索，（b）开发的各种特征提取和匹配技术，（c）跨不同光谱的识别，（d）与其他生物特征模态的融合（e）在移动设备上的识别，（f）其在其他应用中的有用性，（g）眼周数据集，以及（h）为评估这种生物识别模式的功效而组织的竞赛。最后，我们讨论了眼周生物识别领域的各种挑战和未来的发展方向。
2022-03-29 cs.CV
TransRPPG: Remote Photoplethysmography Transformer for 3D Mask Face Presentation Attack Detection
University of Oulu（奥卢大学）；Alibaba Group（阿里巴巴集团）
3D面具人脸呈现攻击检测（PAD）在保护人脸识别系统免受紧急3D面具攻击方面起着至关重要的作用。最近，远程光电体积描记术（rPPG）已被开发为3D掩模PAD的内在活性线索，而不依赖于掩模外观。然而，三维掩模PAD的rPPG特征仍然需要专家知识进行人工设计，这限制了其在深度学习和大数据时代的进一步发展。在这封信中，我们提出了一个纯粹的rPPG Transformer（transRPPG）的框架学习内在活性表示有效。首先，基于rPPG的多尺度时空地图（MSTmap）的面部皮肤和背景区域构造。然后，Transformer充分挖掘MSTmaps中的全局关系用于活性表示，并给出用于3D掩模检测的二进制预测。在两个基准数据集上进行了全面的实验，以证明TransRPPG在数据集内和跨数据集测试上的有效性。我们的TransRPPG是轻量级和高效的（只有547K的参数和763M FLOPs），这是有前途的移动级应用程序。
2021-04-15 cs.CV
Invertible Mask Network for Face Privacy-Preserving
Anhui University（安徽大学）；University of Science and Technology of China（中国科学技术大学）
人脸隐私保护是近年来研究的热点之一。然而，现有的人脸隐私保护方法都是以造成人脸语义信息的缺失为目的，无法保证原始人脸信息的可重用性。为了实现处理后人脸的自然性和原始保护人脸的可恢复性，提出了一种基于可逆“面具”网络（IMN）的人脸隐私保护方法。在IMN中，我们首先引入Mask-net来生成“Mask”人脸。然后，把“面具”的脸到保护的脸，并产生面具的脸，其中面具的脸是不可区分的“面具”的脸。最后，“面具”的脸可以从面具的脸，并获得恢复的脸授权用户，其中恢复的脸是视觉上无法区分的保护的脸。实验结果表明，该方法不仅能有效地保护被保护人脸的隐私，而且能几乎完美地从被掩盖的人脸中恢复出被保护人脸。
2022-04-19 cs.AI cs.CV
MaskedFace-Net -- A Dataset of Correctly/Incorrectly Masked Face Images in the Context of COVID-19
Normandie Univ（诺曼底大学）；UNIROUEN（鲁昂大学）；ESIGELEC（高等电子工程工程师学院）；IRSEEM（嵌入式电子系统研究所）；Université de Haute-Alsace（上阿尔萨斯大学）；IRIMAS（伊尔基希-格拉芬斯塔登数学与计算机科学研究所）；Université de Strasbourg（斯特拉斯堡大学）；Univ. Lille（里尔大学）；CNRS（法国国家科学研究中心）；Centrale Lille（里尔中央理工学院）；Univ. Polytechnique Hauts-de-France（上法兰西综合理工大学）；Yncrea Hauts-de-France（上法兰西Yncrea工程学院）
戴口罩似乎是限制COVID-19传播的一种解决方案。在此背景下，期望有效的识别系统用于检查在受管制的区域中人的面部被掩蔽。为了执行这项任务，需要一个大型的蒙面人脸数据集来训练深度学习模型，以检测戴口罩的人和不戴口罩的人。在文献中可以找到一些大型的蒙面面孔数据集。然而，目前，还没有可用的大数据集的蒙面面部图像，允许检查检测到的蒙面面部是否正确佩戴。事实上，许多人没有正确佩戴口罩，这是由于不良做法、不良行为或个人的脆弱性（例如，儿童、老人）。出于这些原因，开展了一些戴口罩运动，旨在提高人们对这一问题和良好做法的认识。从这个意义上说，这项工作提出了三种类型的蒙面人脸检测数据集，即正确蒙面人脸数据集（CMFD），不正确蒙面人脸数据集（IMFD）和他们的组合的全球蒙面人脸检测（MaskedFace-Net）。现实的蒙面人脸数据集提出了双重目标：i）检测人的脸蒙面或不蒙面，ii）检测人脸面具正确佩戴或不正确佩戴（例如;在机场入口处或在人群中）。据我们所知，没有大的蒙面人脸数据集提供这样的分类粒度，以允许面具佩戴分析。此外，这项工作在全球范围内提出了适用于面具到脸的变形模型，允许生成其他蒙面人脸图像，特别是与特定的面具。我们的蒙面人脸图像数据集（137，016张图像）可在https://github.com/cabani/MaskedFace-Net上获得。
2020-08-18 cs.CV eess.IV
Localization using Multi-Focal Spatial Attention for Masked Face Recognition
KAIST（韩国科学技术院）；Alchera Inc（Alchera公司）
本文提出互补注意力学习和多焦点空间注意力方法，通过聚焦未遮挡区域提取遮挡不变特征，有效提升了戴口罩人脸识别与传统人脸识别的性能。
2023-09-07 cs.CV
On Hallucinating Context and Background Pixels from a Face Mask using Multi-scale GANs
Affectiva（Affectiva公司）；University of Notre Dame（圣母大学）
我们提出了一个多尺度GAN模型，从一个单一的输入面具自动幻觉现实背景（额头，头发，脖子，衣服）和背景像素。我们的模型不是将人脸交换到现有的图片上，而是根据所提供的人脸蒙版的特征直接生成逼真的上下文和背景像素。与面部修复算法不同，即使对于大量缺失的像素，它也可以生成逼真的幻觉。我们的模型由GAN块的级联网络组成，每个块的任务是在特定分辨率下对丢失的像素进行超分辨率处理，同时指导下一个GAN块的合成过程。通过在网络的每个块处使用重建、感知、对抗和身份保持损失的组合，使幻觉化的全脸图像具有照片般的真实感。通过一组广泛的实验，我们证明了我们的模型在从与我们的训练数据不相交的多个数据集收集的不同面部姿势，表情和照明的面罩中产生幻觉的上下文和背景像素中的有效性。我们还比较了我们的方法与两个流行的人脸交换和人脸补全方法的视觉质量和识别性能。此外，我们分析了我们的级联流水线，并将其与最近提出的GANs的渐进增长进行比较。
2020-01-12 cs.CV
Learning Representations for Masked Facial Recovery
West Virginia University（西弗吉尼亚大学）
近年来的大流行导致在公共场所佩戴防护口罩的人数急剧增加。这对人脸识别技术的普遍使用构成了明显的挑战，现在人脸识别技术的性能正在下降。解决这个问题的一种方法是恢复到人脸恢复方法作为预处理步骤。目前的人脸重建和操作方法利用人脸流形建模的能力，但往往是通用的。我们介绍了一种方法，该方法是具体的面部图像从戴着面具的同一个人的图像的恢复。我们这样做是通过设计一个专门的GAN反演方法，基于一组适当的损失学习一个解蔽编码器。通过大量的实验，我们证明了该方法是有效的，在unmasking人脸图像。此外，我们还表明，身份信息被保存得足够好，以提高人脸验证性能的基础上，几个人脸识别基准数据集。
2022-12-28 cs.CV
The Effect of Wearing a Face Mask on Face Image Quality
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形研究所）；TU Darmstadt（达姆施塔特工业大学）
由于COVID-19疫情，口罩已成为我们日常生活的主要部分。在许多公共场所，佩戴口鼻防护用品已成为一项强制性规定，以防止COVID-19病毒的传播。然而，面具影响人脸识别的性能，因为面部的大面积被覆盖。在协作环境中佩戴面罩对人脸识别系统的不同组件的影响是一个仍有待充分研究的问题。该工作首次利用不同性质的最新人脸图像质量评估方法研究了佩戴口罩对人脸图像质量的影响。这旨在更好地了解面具对整个人脸识别系统的影响。此外，我们进一步研究了模拟面具的人脸图像效用相比，真正的面具。我们讨论了掩模对人脸图像质量的影响与自动系统和人类专家对人脸验证性能的影响之间的相关性，表明这两个因素之间存在一致的趋势。通过在无掩模面部上合成地生成数字面部掩模，对包含（1）无掩模面部、（2）真实面部掩模和（3）模拟面部掩模的数据库进行评估。最后，提供了对所选择的一组质量评估方法的质量分数做出贡献的面部区域的视觉解释，以更深入地了解掩蔽和非掩蔽面部中的网络决策的差异以及其他变化。
2021-11-02 cs.CV eess.IV
Mask-aware Photorealistic Face Attribute Manipulation
Shanghai Jiao Tong University（上海交通大学）；Carnegie Mellon University（卡内基梅隆大学）；Beijing Sensetime Tech. Dev. Co., Ltd（北京商汤科技开发有限公司）
人脸属性操作的任务已经发现越来越多的应用，但仍然具有挑战性的要求，编辑的属性的人脸图像，同时保持其独特的细节。在本文中，我们选择结合变分自动编码器（VAE）和生成对抗网络（GAN）的真实感图像生成。我们提出了一种有效的方法来修改编码器的特征图中的适量像素，不断改变属性强度，而不妨碍全局信息。我们的VAE和GAN的训练目标通过监督人脸识别损失和周期一致性损失来加强，以忠实地保留人脸细节。此外，我们生成了面部面具来加强背景一致性，这使得我们的训练专注于操纵前景人脸而不是背景。实验结果表明，我们的方法，称为面具对抗自动编码器（M-AAE），可以生成高质量的图像与不断变化的属性，并优于以前的方法在细节保护。
2018-04-24 cs.CV
Mask-Free Audio-driven Talking Face Generation for Enhanced Visual Quality and Identity Preservation
Karlsruhe Institute of Technology（卡尔斯鲁厄大学）；Istanbul Technical University（伊斯坦布尔技术大学）；Carnegie Mellon University（卡内基梅隆大学）
针对音频驱动说话人脸生成中掩码导致信息丢失及身份参考引入偏差的问题，提出基于标志点的无掩码两步方法，在LRS2和HDTF上验证其视觉质量与身份保持效果。
2025-07-28 cs.CV
A realistic approach to generate masked faces applied on two novel masked face recognition data sets
SecurifAI；University of Bucharest（布加勒斯特大学）
COVID-19大流行提出了使人脸识别系统适应新现实的问题，人们可能会戴上外科口罩来遮住鼻子和嘴。传统数据集（例如，用于训练这些系统的CelebA、CASIA-WebFace）是在大流行之前发布的，因此，由于缺乏人们戴口罩的例子，它们现在似乎不适合。我们提出了一种方法来增强数据集包含的脸没有面具，通过创建合成面具，并将它们覆盖在原始图像中的脸。我们的方法依赖于SparkAR Studio，这是一个由Facebook开发的开发人员程序，用于创建Instagram的面部过滤器。在我们的方法中，我们使用9种不同颜色，形状和面料的面具。我们使用我们的方法为CASIA-WebFace数据集生成了445，446（90%）个面具样本，为CelebA数据集生成了196，254（96.8%）个面具样本，并在www.example.com上发布了面具图像。我们表明，我们的方法产生了显着更现实的训练样本的面具覆盖在脸上，要求志愿者进行定性比较，它与其他方法或数据集设计用于相同的任务。我们还通过评估在我们增强的数据集上训练的最先进的人脸识别系统（FaceNet，VGG-face，ArcFace）来证明我们的方法的有用性，并表明它们优于在原始数据集（包含没有面具的脸）或竞争数据集（包含相关方法生成的面具）上训练的等效系统，当测试基准包含面具时。
2021-10-25 cs.CV cs.LG
