MagFace: 얼굴 인식 및 품질 평가를 위한 보편적 표현

얼굴 인식 시스템의 성능은 획득된 얼굴의 변동성이 증가할 때 저하됩니다. 이전 연구에서는 사전 처리 과정에서 얼굴 품질을 모니터링하거나, 얼굴 특징과 함께 데이터 불확실성을 예측하는 방법으로 이 문제를 완화하였습니다. 본 논문에서는 MagFace를 제안합니다. MagFace는 주어진 얼굴의 품질을 측정할 수 있는 크기를 학습하는 보편적인 특징 임베딩을 배우는 손실 함수의 범주입니다. 새로운 손실 함수 하에서, 피실험자가 더 잘 인식될 가능성이 높아지면 특징 임베딩의 크기는 단조롭게 증가한다는 것을 증명할 수 있습니다. 또한, MagFace는 클래스 중심으로 쉽게 분류되는 샘플들을 끌어당기면서 어려운 샘플들은 밀어내는 적응 메커니즘을 도입하여 클래스 내 특징 분포를 잘 구조화하도록 학습합니다. 이로 인해 모델이 노이즈가 많은 저품질 샘플에 과적합되는 것을 방지하고, 실제 환경에서의 얼굴 인식 성능을 개선할 수 있습니다. 얼굴 인식, 품질 평가 및 클러스터링에 대한 광범위한 실험이 수행되어 기존 최신 기술들보다 우수함이 입증되었습니다. 코드는 https://github.com/IrvingMeng/MagFace 에서 제공됩니다.