초록
얼굴 인식(FR) 분야에서 상당한 발전이 이루어졌지만, 반제약적 훈련 데이터셋과 비제약적 테스트 환경 사이의 도메인 갭으로 인해 비제약 환경에서의 얼굴 인식은 여전히 도전적인 과제이다. 이 문제를 해결하기 위해, 우리는 스타일 잠재 공간(styled latent space) 내에서 타겟 데이터셋의 분포를 모방할 수 있는 조절 가능한 얼굴 합성 모델(CFSM)을 제안한다. CFSM는 스타일 잠재 공간 내에서 정규직교 기저를 가진 선형 부분공간을 학습함으로써 합성의 다양성과 합성 정도를 정밀하게 조절할 수 있다. 또한, 사전 훈련된 합성 모델은 FR 모델에 의해 안내될 수 있어, 생성된 이미지가 FR 모델 훈련에 더 유용하게 활용될 수 있다. 더불어, 학습된 정규직교 기저를 통해 타겟 데이터셋의 분포를 특성화할 수 있으며, 이를 활용하여 다양한 얼굴 데이터셋 간의 분포 유사도를 측정할 수 있다. 제안하는 방법은 IJB-B, IJB-C, TinyFace, IJB-S와 같은 비제약 기준에서 뛰어난 성능 향상을 보이며, Rank1 성능에서 평균 +5.76%의 향상을 달성한다.