arXiv:1805.11519

Face Recognition in Low Quality Images: A Survey

Pei Li, Loreto Prieto, Domingo Mery, Patrick Flynn

제출 2018-05-29

원문 초록

Low-resolution face recognition (LRFR) has received increasing attention over the past few years. Its applications lie widely in the real-world environment when high-resolution or high-quality images are hard to capture. One of the biggest demands for LRFR technologies is video surveillance. As the the number of surveillance cameras in the city increases, the videos that captured will need to be processed automatically. However, those videos or images are usually captured with large standoffs, arbitrary illumination condition, and diverse angles of view. Faces in these images are generally small in size. Several studies addressed this problem employed techniques like super resolution, deblurring, or learning a relationship between different resolution domains. In this paper, we provide a comprehensive review of approaches to low-resolution face recognition in the past five years. First, a general problem definition is given. Later, systematically analysis of the works on this topic is presented by catogory. In addition to describing the methods, we also focus on datasets and experiment settings. We further address the related works on unconstrained low-resolution face recognition and compare them with the result that use synthetic low-resolution data. Finally, we summarized the general limitations and speculate a priorities for the future effort.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.11025v1cs.CV공통 태그 Super-Resolution, Face Recognition

공간 트랜스포머를 활용한 참조 기반 얼굴 초해상도

Reference-Based Face Super-Resolution Using the Spatial Transformer

얼굴 초해상도(face super-resolution)는 얼굴이 포함된 이미지의 해상도를 높여 더 세밀한 디테일을 추가하는 작업이다. 이는 다양한 컴퓨터 비전(CV) 응용 프로그램에서 널리 사용되며, 사용자가 수행되고 있음을 인식하지 못하는 경우도 많다. 그러나 이는 비적절 문제(ill-posed problem)이기 때문에 높은 충실도로 수행하기가 어렵다. 본 논문에서는 고해상도 참조 이미지를 활용하여 작업을 보조하는 참조 기반 얼굴 초해상도 솔루션을 제시한다. 우리는 널리 사용되는 변형 가능한 합성곱(deformable convolutions)보다 상당히 안정적인 공간 트랜스포머(spatial transformer) 기반의 정렬 모듈을 제안한다. 또한 참조 이미지에서 양질의 정보를 활용할 수 있을 때는 이를 취하고, 해당 정보가 없을 때는 기능을 억제하는 집계 함수(aggregation function)도 제시한다. 마지막으로, 상대적으로 더 작은 우리의 모델이 여러 데이터셋에서 최첨단(state-of-the-art) 결과를 달성할 수 있음을 보여준다. 소스 코드는 https://github.com/varun-jois/FSRST 에서 확인할 수 있다.

arXiv:2607.05702v1cs.CV공통 태그 Super-Resolution, Face Recognition

확산 모델에서 다중 특징 집계를 통한 강인한 얼굴 초해상도 및 인식

Robust Face Super-Resolution and Recognition Through Multi-Feature Aggregation in Diffusion Models

감시 환경에서 취득한 이미지는 흔히 저해상도, 자세 변화, 불규칙한 조명, 가림 현상 등의 문제를 겪는다. 이러한 이미지의 낮은 품질로 인해 얼굴 인식 알고리즘은 종종 어려움을 겪는다. 이 주요 한계는 이미지의 세부 정보를 향상시키는 초해상도(super-resolution) 기법을 활용함으로써 해결할 수 있다. 그러나 문제의 난이도가 높기 때문에, 대부분의 초해상도 알고리즘은 이미지와 개인의 정체성에 왜곡을 유발하는 경향이 있다. 따라서 인식 강인성을 개선하기 위해 처리 과정에 추가적인 정보를 통합해야 한다. 이와 관련하여, 감시 카메라는 저품질이더라도 여러 이미지를 캡처할 수 있으며, 연속 비디오 프레임 등 이러한 이미지에서 추출한 데이터는 초해상도와 얼굴 인식 모두를 크게 향상시킬 수 있다. 본 연구에서는 확산 모델 기반 초해상도 알고리즘인 FASR++를 소개한다. FASR++는 참조 저해상도 이미지와 다수의 보조 저품질 이미지에서 추출한 특징을 활용하여, 개인의 정체성 왜곡을 최소화하면서 초해상도 출력을 생성한다. 본 접근법은 소프트 속성을 명시적으로 제공하거나 재구성 과정을 안내하기 위한 함수 그래디언트를 계산하지 않고도 얼굴 특징을 복원한다. FASR++는 전처리 단계로 활용될 때 얼굴 인식 태스크의 성능을 크게 향상시킬 수 있는 고품질 이미지를 생성한다. 우리는 두 가지 표준 얼굴 인식 데이터셋에서 접근법을 검증하여, 검증(verification), 얼굴 인식, 그리고 PSNR, SSIM, LPIPS 등의 이미지 품질 지표에서 최첨단 결과를 달성하였다.

arXiv:2607.14821v2cs.CV공통 태그 Survey

모달 경계의 흐림: 단일 모달에서 다중 모달 인물 재식별(ReID)에 대한 통합 서벡

Blurring Modal Boundaries: A Unified Survey from Single- to Multi-Modal Person Re-ldentification

인물 재식별(ReID)은 지능형 감시 시스템의 핵심 구성 요소로, 분리된 카메라 네트워크 간 신원을 매칭하는 것을 목표로 한다. 전통적인 방법은 주로 단일 모달 RGB 영상에 의존하지만, 낮은 조도와 가림(occlusion)과 같은 환경적 도전 과제에 종종 제약을 받는다. 이러한 한계를 극복하기 위해 해당 분야는 교차 모달(cross-modal) 및 다중 모달(multi-modal) 패러다임으로 빠르게 발전하고 있다. 본 서벡은 이러한 전환에 대한 포괄적인 개요를 제시하며, 직접 가시성을 넘어 지각을 확장하는 신흥 비시선(NLOS, Non-Line-of-Sight) ReID를 포함하여 가시-적외선(VI-ReID), 텍스트-이미지(TI-ReID), 스케치 기반(Sketch-ReID) 등 주요 교차 모달 과제를 체계적으로 검토한다. 또한 3분광(tri-spectral) 및 다중 모달 융합 ReID를 살펴보고, 다양한 센서의 상보적 정보가 어떻게 견고성(robustness)을 향상시키는지 논의한다. 데이터셋, 과제, 방법론을 요약하는 것을 넘어, 모달리티 불변(modality-invariant) 특징을 효과적으로 포착하도록 설계된 가시-적외선 ReID용 트랜스포머 기반 기준선 프레임워크를 제안한다. 마지막으로, 현재 연구 환경을 바탕으로 향후 연구를 위한 여러 유망한 방향을 제시한다.

arXiv:2607.12753v3cs.CV공통 태그 Super-Resolution

RFMSR: 이미지 초해상도를 위한 잔차 플로우 매칭

RFMSR: Residual Flow Matching for Image Super-Resolution

생성형 이미지 초해상도(ISR) 방법은 일반적으로 표준 가우시안 사전분포에서 샘플링하여 이를 데이터 분포로 이동시키며, 이때 저품질(LQ) 입력은 외부 조건으로만 사용된다. 그러나 LQ 이미지는 목표 고품질(HQ) 이미지에 대한 풍부한 구조 정보를 이미 담고 있으므로, LQ 이미지에 근사하는 분포가 더 적합한 출발점이 되며, 이 아이디어는 일련의 확산 기반 복원 방법에서 검증되었다. 반면 최근의 플로 매칭 기반 ISR 방법은 여전히 표준 가우시안 사전분포를 채택하여 이러한 구조적 사전 정보를 버린다. 더욱이 증류나 일관성 훈련과 같은 기존의 단일 단계 가속 기법은 추가 교사 모델에 의존하거나 모델의 다단계 추론 능력을 희생한다. 본 논문에서는 소스 분포를 LQ 잠재 표현을 중심으로 하는 가우시안으로 정의하여 플로가 순수 노이즈가 아닌 LQ 이미지에서 시작하도록 하고 입력에 이미 존재하는 구조적 사전 정보를 보존하는 이미지 초해상도를 위한 잔차 플로 매칭(RFMSR)을 제안한다. 고품질 단일 단계 생성을 달성하기 위해, 단일 단계 출력에 대한 지도 손실과 조건부 플로 매칭(CFM) 손실을 결합한 간단하면서도 효과적인 훈련 전략을 추가로 제안하며, 이를 통해 증류나 기타 가속 기법에 의존하지 않고도 임의의 단계 수로 고품질 복원이 가능하다. 폭넓은 실험을 통해 RFMSR이 최신 방법들과 경쟁력 있는 결과를 달성함을 보인다. 소스 코드는 https://github.com/Faze-Hsw/RFMSR 에서 이용할 수 있다.

arXiv:2607.22305v2cs.AI공통 태그 Survey

영향력 있는 다원주의적 정렬 연구를 위한 로드맵

A Roadmap to Impactful Pluralistic Alignment Research

책임 있는 AI에 관한 많은 연구는 수십억 명이 사용하는 AI 시스템의 행동을 바꾸는 것을 목표로 한다. 다양한 인간의 가치와 관점을 대표하고 이에 기여하는 AI 시스템을 구축하는 것을 목표로 하는 다원적 가치 정렬은 이러한 활발한 연구 의제 중 하나로 부상했다. 그러나 주요 프론티어 연구소와 오픈 웨이트 개발자를 감사한 결과, 다원적 정렬이 이들 모델의 학습이나 평가 방식에 영향을 미쳤다는 공개적 증거를 찾을 수 없었다. 다원적 정렬은 주요 목표를 달성하려면 실제 도입이 필요하므로, 우리는 세 가지 장벽을 규명하고 각각을 해결하기 위한 연구 로드맵을 제시한다. 1. 지금까지 다원적 정렬의 정당화는 대부분 규범적이거나 이론적이다. 다원적 AI가 사용자와 사회에 주는 이점과 단점을 측정하는 연구가 필요하다. 2. 다원적 정렬 연구 커뮤니티는 다원적 행동이 언제 정당화되는지, 그리고 실제로 어떤 모습이어야 하는지에 대해 합의하지 못했다. 개발자가 이를 구현할 수 있을 만큼 구체적으로 이 행동을 명세하는 연구가 필요하다. 3. 기존의 다원주의 평가와 방법은 배포할 준비가 되어 있지 않다. 다른 모델 특성에 미치는 영향을 보고하고 프로덕션 시스템의 요구 사항을 충족하는 평가와 방법이 필요하다. 이러한 장벽은 다원적 정렬에만 해당하지 않으므로, 우리의 로드맵은 유사한 변화 이론을 가진 책임 있는 AI 연구의 다른 분야에도 적용된다. 사람들이 더 많은 의사결정을 AI 시스템에 맡기고 AI 에이전트가 사람을 대신해 행동하는 만큼, 우리는 이 로드맵이 해당 연구가 그러한 결정을 내리는 배포된 모델에 도달하도록 돕기를 바란다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.