Génération Variationnelle Duale pour la Reconnaissance Faciale Hétérogène à Faible Échantillonnage

La reconnaissance faciale hétérogène (HFR) est un problème complexe en raison de la grande disparité des domaines et du manque de données hétérogènes. Cet article aborde l'HFR comme un problème de génération dual et propose un nouveau cadre de génération variationnelle dual (DVG). Ce cadre génère à grande échelle de nouvelles paires d'images hétérogènes avec la même identité à partir du bruit, dans le but de réduire la disparité des domaines en HFR. Plus précisément, nous introduisons d'abord un autoencodeur variationnel dual pour représenter une distribution conjointe de paires d'images hétérogènes. Ensuite, afin d'assurer la cohérence identitaire des paires d'images hétérogènes générées, nous imposons une alignement de distribution dans l'espace latent et une préservation identitaire par paire dans l'espace des images. De plus, le réseau HFR réduit la disparité des domaines en contrôlant les distances caractéristiques par paire entre les paires d'images hétérogènes générées. Des expériences approfondies sur quatre bases de données HFR montrent que notre méthode peut améliorer significativement les résultats actuels de l'état de l'art. Le code associé est disponible à l'adresse suivante : https://github.com/BradyFU/DVG.