SCUT-FBP5500: 多様な基準データセットによる複数パラダイム顔の美しさ予測

顔の美しさ予測（Facial Beauty Prediction: FBP）は、人間の知覚と一致した顔の魅力を評価する重要な視覚認識問題である。この問題に対処するために、特に最先端の深層学習技術を含む様々なデータ駆動型モデルが導入され、ベンチマークデータセットがFBPを達成するための必須要素の一つとなった。従来の研究では、顔の美しさ認識を分類、回帰、またはランキングという特定の監督学習問題として定式化しており、これはFBPが本質的に複数のパラダイムを持つ計算問題であることを示している。しかし、多くのFBPベンチマークデータセットは特定の計算制約のもとで構築されており、これによりデータセット上で訓練された計算モデルの性能や柔軟性が制限されている。本論文では、FBPが多様なパラダイムを持つ計算問題であると主張し、多様なFBPパラダイムを実現する新しい多様性豊かなベンチマークデータセット「SCUT-FBP5500」を提案する。SCUT-FBP5500データセットには合計5500枚の正面顔画像が含まれており、その属性（男性/女性、アジア人/白人、年齢）やラベル（顔ランドマーク、[1, 5]内の美しさスコア、美しさスコア分布）が多様であるため、異なるFBPパラダイムを持つ異なる計算モデル（アジア人/白人の男性/女性に対する外見ベース/形状ベースの顔美しさ分類/回帰モデルなど）を使用することが可能となる。我々は異なる特徴量と予測器の組み合わせや様々な深層学習手法を使用してSCUT-FBP5500データセットでのFBPを評価した。結果はFBPの改善とSCUT-FBP5500に基づく潜在的な応用可能性を示している。