一种用于生成遮挡人脸的现实主义方法，应用于两个新型遮挡人脸识别数据集

新冠疫情的爆发凸显了面部识别系统在现实应用中面临的新挑战：人们佩戴外科口罩以遮盖口鼻，导致传统面部识别模型在识别时性能下降。目前广泛用于训练面部识别系统的数据集（如CelebA、CASIA-WebFace）均发布于疫情之前，缺乏佩戴口罩的样本，因此在当前场景下已显不足。为此，我们提出一种增强无口罩面部数据集的方法：通过生成合成口罩并将其叠加到原始图像的人脸上，从而构建包含口罩的训练样本。本方法基于Facebook开发的SparkAR Studio平台，该工具主要用于创建Instagram面部滤镜。在我们的方案中，我们使用了9种不同颜色、形状和材质的口罩进行合成。利用该方法，我们为CASIA-WebFace数据集生成了445,446个（占90%）带口罩的样本，为CelebA数据集生成了196,254个（占96.8%）带口罩的样本，并将生成的带口罩图像公开发布于GitHub仓库：https://github.com/securifai/masked_faces。通过邀请志愿者进行定性对比评估，我们证明了本方法生成的口罩叠加图像在真实感方面显著优于其他同类方法或数据集。此外，我们进一步验证了该方法的实际有效性：在使用增强后的数据集训练当前先进的面部识别模型（FaceNet、VGG-face、ArcFace）后，这些模型在测试基准包含戴口罩人脸的情况下，其识别性能显著优于在原始无口罩数据集上训练的模型，以及在其他基于类似方法生成的含口罩数据集上训练的对比模型。结果表明，本方法能够有效提升面部识别系统在口罩遮挡场景下的鲁棒性与实用性。