EDFace-Celeb-1M : Évaluation de l'hallucination faciale à l'aide d'un jeu de données à l'échelle du million

Les méthodes récentes de hallucination faciale profonde montrent des performances remarquables dans la super-résolution d’images faciales fortement dégradées, dépassant parfois même les capacités humaines. Toutefois, ces algorithmes sont principalement évalués sur des jeux de données synthétiques non publics. Il reste donc incertain de leur performance sur des jeux de données publiques dédiés à l’hallucination faciale. Par ailleurs, la plupart des jeux de données existants ne prennent pas suffisamment en compte la répartition ethnique, ce qui entraîne un biais des méthodes d’hallucination faciale entraînées sur ces jeux de données en faveur de certaines races. Pour répondre à ces deux problèmes, dans cet article, nous proposons un nouveau jeu de données public, EDFace-Celeb-1M, caractérisé par une diversité ethnique, et concevons une tâche de benchmark pour l’hallucination faciale. Notre jeu de données comprend 1,7 million d’images provenant de différents pays, avec une répartition équilibrée des origines ethniques. À ce jour, il s’agit, selon nos connaissances, du plus grand jeu de données public d’hallucination faciale disponible dans des conditions réelles (in the wild). Associé à ce jeu de données, cet article contribue également à divers protocoles d’évaluation et fournit une analyse complète afin de benchmark les méthodes les plus avancées actuelles. Les évaluations de benchmark mettent en évidence les performances ainsi que les limites des algorithmes d’état de l’art.