摘要
近年来，人脸识别技术在现实应用场景中得到了越来越广泛的应用。然而，当肤色偏差与个体内部差异（如光照强烈、姿态变化等）同时存在时，人脸识别任务极易失败，甚至在人工目视检查时也难以准确识别。为应对这一挑战，面部归一化方法旨在通过消除输入图像中的个体内部差异，同时保留身份信息，从而提升识别性能。然而，现有大多数面部归一化方法仅能处理一到两种变化，且往往忽视数据集中的偏差问题，如肤色偏差。此外，许多现有方法生成的输出在视觉上缺乏真实感，难以被人类观察者自然接受。本文提出一种基于风格的面部归一化模型（StyleFNM），能够有效消除多种个体内部差异，包括大幅姿态变化、不良或强烈光照、低分辨率、模糊、面部表情变化以及佩戴太阳镜等附加物。同时，本文通过控制预训练生成对抗网络（GAN），生成具有平衡分布的护照样式图像数据集，从而缓解数据集中的肤色偏差问题。实验结果表明，StyleFNM不仅能生成更具真实感的输出，还能显著提升人脸识别系统的识别准确率与公平性。