22页综述,共计173篇参考文献。本文全面调研了人脸图像质量评估(FQA)的技术,涵盖传统方法和深度学习方法,并对相关人脸数据集进行总结。
Face Image Quality Assessment: A Literature Survey
论文: https:// arxiv.org/abs/2009.0110 3
作者单位:达姆施塔特应用科技大学等
注:如果上述论文链接无法访问,可以看文末,论文已上传至百度云,方便下载。
人脸分析和识别系统的性能取决于所采集人脸数据的质量,该质量受众多因素影响。因此,根据生物统计实用程序自动评估人脸数据的质量可能对过滤掉低质量的数据很有用。
这项调研概述了在人脸生物识别技术框架下的人脸质量评估文献,重点是基于可见波长人脸图像的人脸识别,而不是例如深度或红外质量评估。观察到了基于深度学习的方法的趋势,包括最近方法之间的显著概念差异。
将工作主要分成四大方向:
- Non-DL
- Standard-focused
- Video frame
- DL(Deep Learning)
除了图像选择之外,人脸图像质量评估也可以在本文讨论的各种其他应用场景中使用。
指出了未解决的问题和挑战,即强调了可比性对算法评估的重要性,以及对未来工作的挑战,即除了提供准确的效用预测之外,创建可解释的深度学习方法。
论文下载
链接: https:// pan.baidu.com/s/1H_2ooO viyLxQuwu09Y1DOQ
提取码:brgw
强烈推荐大家关注CVer知乎账号和CVer微信公众号,可以快速了解到最新优质的CV论文。
推荐阅读
MAFFSRN:具有多注意力层的超轻量级图像超分辨率
冠军解决方案 | RMGL:用于行人重识别的感受野多粒度表示
VarifocalNet:IoU-aware 密集目标检测器(已开源)
ECCV 2020 | NAS-DIP:通过NAS实现DIP(去噪/去雾/超分辨率/修复等)
TIP 2020 | PNEN:金字塔Non-Local增强型网络
综述 | 小样本学习:全面调研(Few-shot)
MiCo:用于半监督域自适应的Mixup联合训练
使用深度神经网络从Noisy Labels中学习:全面调研
PyTorch3D:面向3D计算机视觉的PyTorch工具箱
剪枝filter?还是剪枝layer?这是个问题
牛津大学VGG组提出:自监督实例自适应的单目深度估计
ECCV 2020 | WeightNet:重新探索Weight网络的设计空间
Mask TextSpotter v3:用于场景文字检测和识别的分割Proposal网络
ECCV 2020 | URIE:用于视觉识别的通用图像增强
ECCV 2020 | 魔鬼在细节中:车辆重识别的自监督注意力(SAVER)
ECCV 2020 | 53.5 AP!PAA:用于目标检测的IoU预测的概率Anchor分配
ECCV 2020 | 南京理工提出FPT:特征金字塔Transformer
ECCV 2020 | CDGCNet:用于语义分割的类动态图卷积
ECCV 2020 | 港中文(贾佳亚团队)提出MuCAN:用于视频超分辨率的多一致聚合网络
ECCV 2020 | 长尾数据集中多标签分类的分布平衡损失
清华大学提出ISDA:使用语义数据增广来正则化深度网络
ECCV 2020 | BMask R-CNN:边界保持的Mask R-CNN
ECCV 2020 | 即插即用!PSConv:将特征金字塔压缩到紧凑的多尺度卷积层中
ECCV 2020 | STTN:用于视频修复的时空联合Transformer
ECCV 2020 | LiteFlowNet3:实现更准确的光流估计