IDiff-Face : Reconnaissance faciale basée sur des modèles de diffusion conditionnée à l'identité floue

La disponibilité de grandes bases de données authentiques de visages a été cruciale pour les avancées significatives réalisées dans la recherche en reconnaissance faciale au cours de la dernière décennie. Cependant, des préoccupations juridiques et éthiques ont conduit récemment à la rétraction de nombreuses de ces bases de données par leurs créateurs, soulevant des questions sur la continuité de la recherche future en reconnaissance faciale sans l'un de ses ressources clés. Les ensembles de données synthétiques sont apparus comme une alternative prometteuse aux données authentiques sensibles à la vie privée pour le développement de la reconnaissance faciale. Cependant, les ensembles de données synthétiques récents utilisés pour entraîner les modèles de reconnaissance faciale souffrent soit d'une limitation en diversité intra-classe, soit d'une discrimination inter-classes (d'identité), ce qui entraîne des précisions moins optimales, loin des précisions obtenues par les modèles entraînés sur des données authentiques. Ce papier aborde cette problématique en proposant IDiff-Face, une nouvelle approche basée sur des modèles de diffusion latente conditionnelle pour la génération synthétique d'identités avec des variations d'identité réalistes pour l'entraînement en reconnaissance faciale. Grâce à des évaluations approfondies, notre approche proposée en reconnaissance faciale basée sur des données synthétiques a repoussé les limites des performances actuelles, atteignant par exemple une précision de 98,00 % sur le banc d'essai Labeled Faces in the Wild (LFW), largement supérieure aux solutions récentes en reconnaissance faciale basée sur des données synthétiques avec 95,40 % et rapprochant considérablement les performances des modèles basés sur des données authentiques avec 99,82 % de précision.