26、利用相异空间中的度量学习改进低分辨率人脸识别

利用相异空间中的度量学习改进低分辨率人脸识别

1. 引言

在视频监控等现实应用中，捕获的人脸图像往往是低分辨率（LR）的。由于拍摄对象与相机之间的距离，这些低分辨率人脸图像会丢失一些对区分不同人至关重要的细节，同时还可能存在姿态和表情等面部变化，这给人脸识别任务带来了挑战。低分辨率人脸识别（LRFR）方法试图解决低分辨率测试图像与高分辨率（HR）图库图像之间的分类问题，但会面临维度不匹配的问题。此外，缺乏有效的面部特征也是LRFR面临的主要挑战之一。

传统基于特征表示的人脸识别方法在低分辨率环境下表现不佳，因此探索基于特征表示的替代方案成为当务之急。基于对象之间相异性的表示在某些情况下具有优势，相异空间（DS）表示已成功应用于许多困难任务。基于以往的研究，我们提出将相异表示作为LRFR的一种替代方法，并认为在相异的背景下分析低分辨率图像可以获得更具判别性的分类信息。同时，我们考虑通过在相异空间上使用度量学习方法来改进原始的DS表示，用学习到的度量（如马氏度量）替换DS中的标准欧几里得距离。

2. 相关工作

随着监控应用需求的增长，LRFR研究得到了广泛关注，但由于低分辨率带来的挑战，该问题仍未得到有效解决。为应对维度不匹配问题，人们采用了多种方法，如统一特征空间（CLPM），该方法将HR和LR图像投影到一个公共空间，但找到最优的分辨率间空间并非易事，且转换过程可能引入噪声。此外，一些方法使用了超分辨率（SR）技术，但这些方法大多侧重于获得良好的视觉重建，而非提高识别率。

当前的LRFR方法主要采用特征向量表示，如多维缩放（MDS），试图找到一个公共或分辨率间空间来投影LR和HR图像。而基于对象之间相异性的表示是一种替代解决方案，以往的研