IDiff-Face: Synthesebasierte Gesichtserkennung durch Fuzzy Identitätsbedingte Diffusionsmodelle

Die Verfügbarkeit umfangreicher authentischer Gesichtsdatenbanken war für die erheblichen Fortschritte in der Gesichtserkennungsforschung der letzten zehn Jahre entscheidend. Allerdings haben rechtliche und ethische Bedenken dazu geführt, dass viele dieser Datenbanken kürzlich von ihren Erstellern zurückgezogen wurden, was Fragen zur Kontinuität zukünftiger Gesichtserkennungsforschung ohne eines ihrer wichtigsten Ressourcen aufwarf. Synthetische Datensätze sind als vielversprechende Alternative zu datenschutzrelevanten authentischen Daten für die Entwicklung von Gesichtserkennungsverfahren hervorgetreten. Dennoch leiden aktuelle synthetische Datensätze, die zur Ausbildung von Gesichtserkennungsmodellen verwendet werden, entweder unter Einschränkungen in der innerklassischen Vielfalt oder der zwischenklassischen (Identitäts-)Diskriminierung, was zu weniger optimalen Genauigkeiten führt, die weit entfernt sind von den Genauigkeiten, die durch Modelle erreicht werden, die auf authentischen Daten trainiert wurden. In dieser Arbeit wird dieses Problem angegangen, indem IDiff-Face vorgeschlagen wird, ein neuartiger Ansatz basierend auf bedingten latente Diffusionsmodellen zur synthetischen Identitätsgenerierung mit realistischen Identitätsvariationen für das Training von Gesichtserkennungsmodellen. Durch umfangreiche Evaluierungen hat unser vorgeschlagener synthetisierungsbasierter Ansatz die Grenzen des aktuellen Standes der Technik überschritten und beispielsweise eine Genauigkeit von 98,00 % im Benchmark Labeled Faces in the Wild (LFW) erreicht, was deutlich besser ist als jüngste synthetisierungsbasiertere Lösungen mit 95,40 % und den Abstand zu authentikbasierter Gesichtserkennung mit 99,82 % Genauigkeit verringert.