2026년 8월 얼굴 인식 논문: 저해상도 배포, 1 kB 미만 압축, 브라질 공정성

8월의 얼굴 인식 논문들은 모델이 깨끗한 기준을 벗어난 후에야 드러나는 제약 조건에 초점을 맞추고 있습니다. 선정된 연구들은 합성 열화를 신뢰하기보다는 네이티브 저해상도 프로브를 테스트하고, 1,024바이트와 512바이트 동안 어떤 코덱이 정체성을 유지하는지 정량화하며, 브라질 인구통계학적 범주와 명시적 난이도 계층을 가진 압축된 공개 비디오를 감사합니다.

이번 달이 보여주는 신호

저해상도 연구는 LFW 스타일 테스트에서 성공하는 합성 열화가 네이티브 TinyFace 프로브에 적합하지 않을 수 있음을 경고합니다. 압축 벤치마크도 유사한 급격한 영역 변화를 보여줍니다: 여러 익숙한 코덱은 1KB 근처에서 작동하지만 512 B에서 붕괴되어 바이트 예산으로 학습된 코덱이 가치가 있습니다. UFPR-PE는 하드 시각 하위 집합에서 인구통계학적 격차가 급격히 커지며, 식별 프로토콜 간 순서를 바꿀 수 있음을 보여줍니다. 세 가지 모두에서 생산 품질은 편리한 프록시에서 외삽하기보다는 실제 캡처 및 저장 체계를 테스트하는 데 달려 있습니다.

논문 012026-08-06cs.CV

제한된 데이터에서 저해상도 얼굴 인식 개선: 합성 데이터 생성이 도메인 격차를 해소하는 방법

arXiv PDF

저자 및 소속

Luis S. Luevano

Idiap Research Institute, Switzerland

Ünsal Öztürk

Idiap Research Institute, Switzerland

Hatef Otroshi Shahreza

Idiap Research Institute, Switzerland

Anjith George

Idiap Research Institute, Switzerland

Sébastien Marcel

Idiap Research Institute, Switzerland

해결하는 문제

본 연구는 라벨이 지정된 원본 데이터가 제한된 경우, 어떤 합성 저해상도 전략이 실제로 컴팩트 얼굴 인식기에 도움이 되는지, 그리고 인위적으로 다운샘플링한 LFW 스타일 테스트에서 도출된 결론이 실제 TinyFace 탐지 이미지에서도 유효한지를 질문한다. 또한 직접 입력 기준선을 설정하여, 초해상도 및 변환 모듈이 단순히 시각적 외관을 개선하는 것이 아니라 신원을 보존함을 증명해야 한다.

핵심 결과

합성 테스트에서는 28픽셀 열화를 선호했으나, 같은 설정은 실제 TinyFace에서 고해상도 학습 기준선보다 낮았습니다. 더 온화한 56픽셀 보간 증강이 가장 컴팩트한 구성으로, TinyFace mAP를 52.55에서 54.68로, 랭크-1 식별률을 59.66%에서 61.40%로 올렸습니다. 학습된 RRDB 초해상도 및 도메인 변환 파이프라인은 EdgeFace 기반에서 57.53 mAP에 불과했으며, 직접 입력은 65.12mAP였습니다. 지식 추출이 가장 큰 합성 성능 향상을 제공했으나 네이티브 저해상도로 전환되지 않아 합성 정밀도가 한계 요인임을 보여줍니다.

초록

감시 환경에서 얼굴 인식(FR) 시스템은 종종 저해상도(LR) 얼굴, 즉 얼굴 영역이 표준 112 $\times$ 112 입력 크기 미만인 얼굴을 마주칩니다. 라벨링된 고해상도(HR) 학습 데이터는 풍부하지만, 라벨링된 네이티브 LR 데이터와 무엇보다 쌍으로 연결된 네이티브 LR/HR 데이터는 드물다. 한 가지 우회 방법은 사용 가능한 HR 얼굴에서 LR 데이터를 합성하는 것이지만, 합성 노력이 인식 정확도에 얼마나 보상받는지는 불분명하다. 우리는 보간 기반 저하, 지식 증류, Prepended 도메인 트랜스포머(PDT), Real ESRGAN 스타일 저하, 그리고 식별 인식 손실이 있는 학습된 슈퍼 해상도(SR) 프론트엔드를 아우르는 컴팩트하고 엣지 디바이스 지향의 얼굴 인식 시스템을 위한 간단한 합성 생성 전략 연구를 제시한다. 우리는 합성 교차해상도 얼굴 벤치마크(LFW, CFP-FP, AgeDB-30)와 실제 네이티브 LR 데이터셋인 TinyFace에서 이러한 전략을 평가하며, 합성-실물 간의 격차를 드러냈습니다: 합성 벤치마크에서 최적의 열화 설정이 실제 LR에서는 최적이 아닌 것. 더 많은 합성 노력은 단조적으로 도움이 되지 않는다는 것을 발견했습니다: 학습된 SR 프론트엔드는 정렬된 LR 이미지를 강한 백본으로 직접 피드하는 것보다 더 크지 않고, 콤팩트 백본의 단순 보간 증강만이 자체 기준선 이상으로 개선되는 합성입니다. 우리는 LR 얼굴 인식을 위한 생성 방법은 실제 LR과 직접 피드 기준선에서 검증되어야 한다고 결론지어 파이프라인을 https://idiap.ch/paper/synth-lrfr 공개합니다

연구 출발점

감시 및 관심 인물 목록 시스템은 일반적으로 고품질 등록 이미지와 정렬된 얼굴이 표준 112 x 112 입력보다 훨씬 작은 탐지 이미지를 비교한다. 원래 저해상도 신원 데이터, 특히 동일 인물의 저해상도와 고해상도 캡처 쌍 자료는 희귀하므로, 연구팀들은 풍부한 고해상도 얼굴 이미지로부터 저해상도 학습 데이터를 일반적으로 제작한다. 실제 위험은 저하 처리 레시피가 합성 벤치마크에서 좋은 점수를 받을 수 있지만, 실제 카메라에서 발생하는 블러, 노이즈, 압축 및 정렬 오류와는 다른 단서를 인식기에 학습시킬 수 있다는 점이다.

방법

저자들은 3.65백만 매개변수 EdgeFace-S 백본을 사용하고 다섯 수준의 적응 노력을 비교한다: 보간 기반 다운샘플-업샘플 증강, 고해상도 교사 지식 증류, 선행 도메인 변환기, Real-ESRGAN 스타일 열화로 학습된 원본 32픽셀 스템, 신원 인식 기반 학습 초해상도 프론트 엔드. 그들은 LFW, CFP-FP, AgeDB-30에서 고->저 및 저->저 검증을 평가하고, 두 가지 정렬 파이프라인에서 원본 저해상도 TinyFace로 동일 비교를 반복한다. 더 큰 고정된 EdgeFace-base 모델은 생성 프론트 엔드가 정렬된 탐지 이미지를 강력한 인식기에 직접 입력하는 것보다 뛰어난지를 테스트하기 위한 기준을 제공한다.

논문 요약

엣지 또는 감시 배포의 경우, 모든 저해상도 레시피를 실제로 캡처된 저해상도 얼굴에 검증하고 강력한 직접 피드 기준선을 유지하세요. 간단하고 온건한 보간 증강이 초해상도 스택보다 더 나은 투자일 수 있습니다; 공격적인 해상도에서 합성 효과만 얻는 것은 현장 성능을 신뢰성 있게 입증하지 못합니다.

논문 022026-08-24cs.CV

1 kB 미만의 신원 보존 얼굴 압축을 향하여: 코덱의 벤치마크, 맞춤형 학습 코덱, 해상도, 인구통계학적 공정성, 재압축 및 적대적 견고성 연구

arXiv PDF

저자 및 소속

Petr Hurtik

Innovatrics, Slovakia

Jakub Sochor

Innovatrics, Slovakia

해결하는 문제

이 작업은 서브킬로바이트 페이스 스토리지를 단일 코덱 비교가 아닌 통제된 배포 벤치마크로 전환합니다. 예산별 운영 지점을 식별하고, 이미지 품질 지표가 생체 인식 유용성을 예측하는지 테스트하며, 요청된 바이트 제한 내에 출력이 보장되는 학습된 코덱을 구축합니다.

핵심 결과

1,024바이트, 112픽셀의 현대 코덱은 컬러 FERET에서 거의 작동 해결에 가깝습니다: WebP와 AVIF는 ArcFace에서 0.09%의 EER에 도달합니다. 하지만 512바이트에서는 FMR 1e-4에서 AVIF, HEIF, JPEG XL, 기존 JPEG가 28-98%의 FNMR로 상승하며, 컬러 FERET에서는 정확한 학습 코덱이 1.83%, AI-솔루션-KK에서 6.9%에 이르는 반면, JPEG-AI는 2.86%, WebP는 24.3%입니다. 코덱 순서는 주로 백본 불변입니다(Kendall's W=0.85). 대부분의 코덱은 인구통계학적 EER 격차를 1.7%포인트 이하로 늘리지만, JPEG 2000은 3.4-5.0%포인트를 추가하며 정체성 유지도 좋지 않습니다.

초록

신원 문서, 스마트 카드 생체 인식, 대역폭 제한 검증에 요구되는 하드 서브 킬로바이트 예산 내에 얼굴 이미지를 저장하면, 코덱은 대부분의 신호를 버리게 되면서 얼굴 매처가 실제로 읽는 신원은 유지합니다. 일반 코덱은 픽셀 충실도를 최적화하며, 검증을 구동하는 임베딩 거리를 최적화하지 않으므로, 어떤 코덱, 해상도, 설정이 1024바이트 이하에서 신원을 가장 잘 보존하는지, 512바이트에서는 어떻게 저하되는지는 불분명합니다. 우리는 해상도, 바이트 예산, 두 개의 데이터셋(제어 컬러 FERET, 야생 AI-솔루션-KK), 네 개의 앵커 얼굴 매처를 벤치마킹했으며, 14개의 ViT와 CNN 모델 명단을 통해 순위가 백본 불변임을 확인했습니다. 그 후 우리는 동결된 게인 테이블에서 이진 탐색을 통해 바이트 예산에 정확히 맞는 맞춤형 신원 보존 코덱을 학습시키고, 해상도, 인구통계학적 공정성, 재압축, 그리고 노박스 대적적 견고성 네 가지 연구를 실행합니다. 서브킬로바이트 신원 보존은 가능하지만, 어떤 코덱을 배포할지는 전적으로 예산에 달려 있습니다. 1024바이트와 112 픽셀의 작동 해상도에서는 이 문제가 거의 해결된 상태입니다: 현대 코덱은 ArcFace 앵커에서 컬러 FERET 동일 오류율을 0.35% 미만으로 유지합니다. 512바이트에서는 필드가 재정렬됩니다: AVIF, HEIF, JPEG XL 및 기존 JPEG는 FMR 1e-4에서 28%에서 98%의 거짓 비일치율로 붕괴되고, WebP, JPEG-AI, 그리고 바이트 예산으로 학습된 코덱은 이 대역에서 벗어나며, WebP는 24.3%, 실제 정확한 변형은 6.9%입니다. 이 재정렬이 1024바이트 순위가 아니라 운영 결과입니다: 1 kB 코덱은 그 절반으로 배포할 코덱이 아닙니다.

연구 출발점

신분증, 스마트 카드, 대역폭 제한 검증 서비스는 정렬된 얼굴 크롭에 대해 1,024바이트 또는 심지어 512바이트만 가질 수 있습니다. 일반 코덱은 매처가 사용하는 임베딩 거리보다는 픽셀 왜곡을 최적화하며, 한 예산에서 가장 잘 보이는 코덱이 다른 예산에서는 갑자기 실패할 수 있습니다. 구매자는 또한 선택이 인식기를 넘어 전송되는지, 인구통계학적 그룹에 영향을 미치는지, 압축을 견디는지, 그리고 적대적 교란과 상호작용하는지 알아야 합니다.

방법

10개의 범용 및 얼굴 지향 코덱이 5가지 해상도와 2개의 하드 예산으로 제어된 컬러 FERET와 야외 AI-솔루션-KK에서 테스트되었습니다. 4개의 앵커 매처가 주요 검증 지표를 담당하며, 14개의 모델 ViT/CNN 명단이 코덱 순위가 백본에 따라 달라지는지 확인합니다. 저자들은 또한 64개 항목의 게인 테이블과 이진 탐색을 통해 1,870만 파라미터의 정확하고 빠른 정체성 보존 코덱을 학습시켜 정확한 예산 준수를 도왔습니다. 별도의 연구에서는 피부색 및 민족 차이, 동일 및 교차 코덱 재압축, 노박스 적대 교란, 지연 및 통계적 유의성을 다룹니다.

논문 요약

1KB와 512 B는 서로 다른 제품 계층으로 취급하며, 인접한 품질 설정이 아닙니다. WebP나 AVIF는 1KB 부근에서 널리 배포할 수 있는 합리적인 선택이며, 512 B에서는 바이트 예산이 학습된 코덱이 실질적으로 더 안전해집니다; PSNR이나 육안 검사만이 아니라 생체 인식 테스트가 결정의 주도권이 되어야 합니다.

논문 032026-08-31cs.CV