IDiff-Face: 合成ベースの顔認識を実現するフィジィ・アイデンティティ条件付き拡散モデル

大規模な実際の顔データベースの可用性は、過去10年間の顔認識研究における著しい進歩に不可欠でした。しかし、法的および倫理的な懸念により、これらのデータベースの多くが最近作成者によって撤回され、将来の顔認識研究においてその主要なリソースが欠けた場合の継続性について疑問が提起されています。プライバシーに配慮した実際のデータに代わる有望な代替手段として、合成データセットが注目を集めています。しかし、最近使用されている顔認識モデルの訓練用合成データセットは、クラス内多様性やクラス間（同一性）識別力に制限があるため、最適な精度が得られず、実際のデータで訓練されたモデルの精度には遠く及ばない状況です。本論文ではこの問題に対処するために、IDiff-Faceという新しいアプローチを提案します。これは条件付き潜在拡散モデルに基づいた合成アイデンティティ生成手法であり、現実的なアイデンティティ変動をもたらし、顔認識訓練に利用可能です。広範囲にわたる評価を通じて、我々が提案する合成データに基づく顔認識アプローチは最先端性能の限界を押し広げました。例えば、Labeled Faces in the Wild (LFW) ベンチマークでの精度は98.00%となり、最近の合成データに基づく顔認識ソリューションである95.40%から大きく前進し、実際のデータに基づく顔認識（99.82%）とのギャップを縮めることに成功しました。