LAMP-HQ

LAMP-HQ是一个大规模、多姿态、高质量的近红外-可见光人脸识别数据库，由中国科学院自动化研究所创建。该数据库包含56,788张近红外图像和16,828张可见光图像，涵盖573个主题，具有多种姿态、光照、属性、场景和配件的广泛多样性。创建过程涉及使用Canon-7D和AuthenMetric-CE31S相机在五种不同的光照场景下采集图像，并通过手动检查去除模糊或不完整的图像。LAMP-HQ数据库旨在推动近红外-可见光人脸分析的研究，特别是在解决跨光谱匹配难题方面。

LAMP-HQ is a large-scale, multi-pose, high-quality near-infrared (NIR)-visible light face recognition database created by the Institute of Automation, Chinese Academy of Sciences. This database contains 56,788 near-infrared images and 16,828 visible light images, covering 573 subjects, and features extensive diversity across poses, illumination, attributes, scenes and accessories. Its creation involved image acquisition using Canon-7D and AuthenMetric-CE31S cameras under five different illumination scenarios, followed by manual inspection to remove blurry or incomplete images. The LAMP-HQ database aims to advance research on near-infrared-visible light facial analysis, particularly in addressing the cross-spectrum face matching challenge.

搜集汇总

数据集介绍

构建方式

在近红外-可见光（NIR-VIS）异质人脸识别领域，数据采集的复杂性往往制约着模型性能的提升。LAMP-HQ数据库的构建采用了系统化的多场景采集策略，利用佳能7D相机和AuthenMetric-CE31SE传感器分别捕获高分辨率的可见光与近红外图像。数据收集过程覆盖了573名参与者，涵盖了亚洲、白人和黑人三种种族，年龄跨度为6至70岁。采集环境设计了五种光照场景，包括室内自然光、强光、弱光以及室外自然光与背光条件，同时捕捉了三种偏航角度（0°、±45°）和多种表情与配饰变化。经过人工清洗去除模糊或不完整图像后，最终形成了包含56,788张近红外图像和16,828张可见光图像的大规模数据集。

特点

LAMP-HQ数据库的突出特点在于其规模与多样性的深度融合。作为当前最大的近红外-可见光人脸数据库之一，它不仅在图像数量上达到73,616张，更在质量上实现了多维度覆盖。数据集囊括了广泛的姿态变化，近红外图像尤其包含了从侧视到底视的多种角度，模拟了真实世界中的复杂采集条件。此外，数据库集成了多种光照场景、面部表情、年龄分布及15类眼镜配饰，显著提升了数据的复杂性与实用性。高分辨率特性——可见光图像达5184×3456像素，近红外图像为960×720像素——进一步确保了图像细节的丰富性，为异质人脸识别研究提供了极具挑战性的基准。

使用方法

LAMP-HQ数据库的使用遵循严谨的协议设计，旨在支持生成式模型在异质人脸识别中的训练与评估。数据集被随机划分为300名参与者的训练集和273名参与者的测试集，其中训练集包含29,525张近红外图像和8,798张可见光图像，测试集则配置了单一正面中性可见光图像作为画廊集，以及17,163张近红外图像作为探针集。典型应用流程包括利用训练集训练生成模型（如Pixel2Pixel、CycleGAN等），将探针集中的近红外图像转换为可见光域，随后通过预训练的固定人脸识别模型（如LightCNN）进行匹配。评估指标采用Rank-1识别率与验证率（如FAR=1%），以系统化衡量跨光谱人脸识别的性能表现。

背景与挑战

背景概述

近红外-可见光（NIR-VIS）异质人脸识别作为计算机视觉领域的关键研究方向，旨在解决跨光谱模态的人脸匹配难题。由中国科学院自动化研究所模式识别国家重点实验室的余爱静、黄怀波、何冉等研究人员于2020年创建的LAMP-HQ数据库，正是为了应对该领域因训练样本稀缺而制约模型性能的核心问题。该数据库收录了573个对象的73,616张高质量图像，涵盖多姿态、多光照、多场景及多附属物等复杂变量，其规模与多样性均超越了同期公开的NIR-VIS数据集，为深度学习方法提供了至关重要的训练资源，显著推动了跨模态人脸识别技术的演进。

当前挑战

LAMP-HQ数据库致力于解决的领域挑战在于NIR-VIS异质人脸识别中固有的光谱感知鸿沟，即近红外与可见光图像因成像机制差异导致的纹理与几何特征失配，使得直接应用传统人脸识别方法效果受限。此外，数据集中包含的大幅度姿态变化、表情差异及附属物干扰，进一步增加了身份信息保持与跨模态对齐的难度。在构建过程中，研究团队面临的主要挑战包括：大规模配对数据的采集成本高昂，需协调多光谱设备同步获取；为确保数据多样性与真实性，需在严格控制的光照场景、姿态角度及附属物条件下进行系统化采集；以及对海量高分辨率图像进行人工清洗与标注，以消除模糊或不完整样本，保证数据库的整体质量与可用性。

常用场景

经典使用场景

在异构人脸识别领域，LAMP-HQ数据集常被用于训练和评估跨光谱人脸匹配模型。其经典应用场景是作为基准测试平台，支持从近红外图像到可见光图像的生成式转换研究。研究者利用该数据集的大规模、多姿态特性，开发能够弥合光谱域差异的算法，从而在复杂光照、姿态变化条件下实现高精度的人脸识别。

实际应用

在实际应用中，LAMP-HQ数据集支撑了安防监控、夜间身份验证等关键场景的技术落地。基于该数据集训练的模型能够将监控摄像头捕获的低光照近红外人脸图像，转换为高质量可见光图像，进而与现有的人脸识别系统无缝对接。这显著提升了夜间或无光照环境下的识别可靠性，为公共安全、边境检查等实际需求提供了可靠的技术解决方案。

衍生相关工作

围绕LAMP-HQ数据集，学术界衍生出一系列经典研究工作。例如，基于该数据集的变分光谱注意力网络（VSANet）创新性地引入了光谱条件注意力机制，实现了高保真的跨光谱图像生成。此外，许多研究利用LAMP-HQ对Pixel2Pixel、CycleGAN、ADFL等生成模型进行基准测试，推动了异构人脸识别领域在图像合成、潜在子空间学习和域不变特征提取等方向的持续进步。