摘要

面部图像质量是实现高性能面部识别系统的重要因素。面部质量评估旨在估计面部图像是否适合用于识别。以往的研究提出了需要人工或人类标注质量值的监督解决方案。然而，这两种标注机制都容易出错，因为它们没有依赖于对质量的明确定义，并且可能不了解所使用的面部识别系统的最佳特征。为了避免使用不准确的质量标签，我们提出了一种基于任意面部识别模型来测量面部质量的新概念。通过确定从面部模型的随机子网络生成的嵌入变化，可以估计样本表示的鲁棒性及其质量。实验在三个公开可用数据库上以跨数据库评估的方式进行。我们将提出的解决方案与两种面部嵌入方法进行了对比，并与来自学术界和工业界的六种最先进方法进行了比较。结果显示，在大多数调查场景中，我们的无监督解决方案优于所有其他方法。与以往的工作相比，所提出的解决方案在所有场景中表现出稳定的性能。利用部署的面部识别模型进行我们的面部质量评估方法完全避免了训练阶段，并且在很大程度上超越了所有基线方法。我们的解决方案可以轻松集成到当前的面部识别系统中，并且可以修改以应用于超出面部识别的其他任务。