摘要

尽管人脸识别（Face Recognition, FR）技术已取得显著进展，但在非受限环境下的人脸识别仍面临挑战，主要源于半受限训练数据集与非受限测试场景之间的域差异（domain gap）。为解决这一问题，我们提出一种可控人脸合成模型（Controllable Face Synthesis Model, CFSM），该模型能够在风格潜在空间（style latent space）中模拟目标数据集的分布。CFSM在风格潜在空间中学习一个具有正交基的线性子空间，从而对合成结果的多样性与合成程度实现精确控制。此外，预训练的合成模型可受到人脸识别模型的引导，生成更有利于人脸识别模型训练的图像。同时，通过学习得到的正交基可表征目标数据集的分布特性，进而用于衡量不同人脸数据集之间的分布相似性。实验结果表明，所提方法在多个非受限基准测试集（如 IJB-B、IJB-C、TinyFace 和 IJB-S）上均取得显著性能提升，其中 IJB-S 上的 Rank-1 准确率提升达 +5.76%。