IDiff-Face: Fizzy Identity-Conditioned Diffusion Models을 이용한 합성 기반 얼굴 인식

대규모 실제 얼굴 데이터베이스의 이용 가능성은 지난 10년 동안 얼굴 인식 연구에서 이루어진 중요한 발전에 결정적인 역할을 해왔습니다. 그러나 법적 및 윤리적 우려로 인해 이들 데이터베이스의 대부분이 최근 제작자들에 의해 철회되어, 이러한 핵심 자원 없이 미래의 얼굴 인식 연구가 지속될 수 있을지에 대한 의문을 제기하였습니다. 프라이버시를 고려한 실제 데이터 대신 합성 데이터셋이 얼굴 인식 개발을 위한 유망한 대안으로 등장하였지만, 최근 사용되는 합성 데이터셋들은 클래스 내 다양성 부족 또는 클래스 간(개인 식별) 차별화 문제로 인해 최적의 정확도를 달성하지 못하고 있으며, 실제 데이터로 훈련된 모델의 정확도와는 큰 차이를 보이고 있습니다.본 논문에서는 이러한 문제를 해결하기 위해 IDiff-Face라는 새로운 접근 방식을 제안합니다. 이는 조건부 잠재 확산 모델을 기반으로 하여 실질적인 개인 변동성을 가진 합성 개인 생성을 통해 얼굴 인식 훈련을 지원하는 방법입니다. 광범위한 평가를 통해 제안된 합성 데이터 기반의 얼굴 인식 접근 방식은 최신 성능 한계를 뛰어넘었으며, 예를 들어 Labeled Faces in the Wild (LFW) 벤치마크에서 98.00%의 정확도를 달성하여 최근 합성 데이터 기반 얼굴 인식 솔루션들의 95.40%보다 크게 앞섰고, 실제 데이터 기반 얼굴 인식의 99.82% 정확도와의 격차를 좁혔습니다.