论文页面 - 稳步学习：累积相对点间隔分数以实现人脸图像质量评估

来源: https://huggingface.co/papers/2609.31662

摘要

人脸图像质量评估（Face Image Quality Assessment, FIQA）用于判断所采集的人脸图像是否适用于自动人脸识别（Face Recognition, FR），这是可靠生物识别系统的关键能力。现有的最先进 FR 集成 FIQA 方法存在时序不稳定问题：随着特征空间在训练过程中不断演化，单个训练轮次（epoch）得到的质量估计值会出现波动，形成一个“移动靶标“，从而削弱质量预测的可靠性。我们提出了 CARPM-FIQA——一种面向 FR 集成 FIQA 的稳定化策略，它在整个训练轨迹上累积相对点间隔（relative point margin）的度量值，即类内紧致性与类间分离度之比，而不依赖于单个轮次的估计。这种累积平均方法具备理论上的优势：降低了质量估计的方差、改善了均方误差，并在训练推进的过程中提升排序稳定性，同时提供收敛保证。我们在带有标注质量分组的 SynFIQA 数据集上进行了受控实验，结果表明累积平均方法取得了更优的判别能力；在不同训练配置下开展的消融研究也证实了这种一致的提升。我们在八个具有挑战性的基准上，以两个 FMR 阈值、四个 FR 模型与十二种 FIQA 方法进行对比评估：按 pAUC-EDC 与 AUC-EDC（在 FR 模型间取平均，并在逐基准归一化后于基准间取平均）计算，CARPM-FIQA 在 17 种对比方法中分别位列第 4（CARPM-FIQA(L)）与第 6（CARPM-FIQA(S)），且对每个 FR 模型而言，其归一化平均值与最佳方法仅相差几个百分点，从而在保持 FR 集成性能优势的同时，为训练不稳定性提供了一个有原则的解决方案。更广泛地说，我们的工作表明：在那些目标值因特征表示不断演化而天然波动的深度学习系统中，时序聚合策略可以有效稳定训练目标。

查看 arXiv 页面 (https://arxiv.org/abs/2609.31662) 查看 PDF (https://arxiv.org/pdf/2609.31662) 加入收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.31662)

在你的 agent 中获取此论文：

hf papers read 2609\.31662

还没有最新版 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本论文的模型0

暂无模型关联本论文

在模型 README.md 中引用 arxiv.org/abs/2609.31662，即可从本页面链接到该论文。

引用本论文的数据集0

暂无数据集关联本论文

在数据集 README.md 中引用 arxiv.org/abs/2609.31662，即可从本页面链接到该论文。

引用本论文的 Spaces 0

暂无 Space 关联本论文

在 Space README.md 中引用 arxiv.org/abs/2609.31662，即可从本页面链接到该论文。

包含本论文的合集 1