DigiFace1M

最先进的人脸识别模型显示出令人印象深刻的准确性，在野生 (LFW) 数据集中的标记人脸上实现了超过99.8%。但是，这些模型是在包含从internet收集的数百万个真实人脸图像的大规模数据集上进行训练的。网络抓取的面部图像严重偏向 (在种族，照明，化妆等方面)，并且通常包含标签噪声。最重要的是，这些面部图像是在未经明确同意的情况下收集的，这引起了更紧迫的隐私和道德问题。为了避免与真实人脸数据集相关的问题，我们引入了用于人脸识别的大规模合成数据集，该数据集是通过使用计算机图形管道对各种高质量数字人脸进行逼真的照片渲染而获得的。我们将我们的方法与SynFace (一种在GAN生成的合成面上训练的最新方法) 进行比较，并通过52.5% 降低LFW上的错误率 (精度从91.93% 到96.17%)。我们首先证明，积极的数据增强可以显着帮助减少合成人脸和真实人脸图像之间的域间隙。利用对渲染管道的完全控制，我们还研究了每个属性 (例如，面部姿势，附件和纹理的变化) 如何影响准确性。最后，通过在可以合理地获得同意的较少数量的真实人脸图像上微调网络，我们实现了与在数百万个真实人脸图像上训练的方法相当的准确性，同时减轻了与大型数据集相关的问题。