GridFace：利用局部单应性变换提升人脸识别性能

"GridFace：局部单应性变换的人脸校正与识别方法" GridFace是一种创新的人脸识别技术，由Erjin Zhou、Zhimin Cao和Jian Sun等人提出，应用于Face++，Megvii Inc.。该方法的核心是通过学习局部单应性变换来校正人脸图像，以减少面部几何变化的影响，从而提高人脸识别的性能。在无约束的环境中，由于姿态变化、未对准等因素，人脸识别仍面临挑战。GridFace旨在解决这一问题，通过校正网络和识别网络的协同工作，实现端到端的学习。 GridFace系统由两个主要模块组成：校正模块和识别模块（如图2所示）。校正模块首先利用深度特征提取和一组局部单应性变换来校正面部图像，这些变换能够有效地处理面部的局部变形。接着，整流后的图像经过一个去噪自动编码器（DAE）进行正则化，以符合规范视图的面部先验，这有助于进一步减小几何变化。识别模块则在经校正的面部图像上学习区分性的面部表示，通过度量学习来提升识别准确性。 传统的人脸校正方法常采用2D变换，将面部关键点校准至预设模板，但这可能依赖于手动调整的参数和精确的面部检测。相比之下，GridFace借鉴了空间Transformer网络（STN）的思想，实现对校正和识别的联合优化，使得整个过程更加适应于识别任务。 实验结果表明，GridFace能显著减少几何变化，提高无约束环境下的人脸识别效果。该方法对于解决人脸识别领域中的面部姿态变化和未对准问题具有重要意义，为未来的相关研究提供了新的思路和可能。 关键词：人脸识别、人脸校正、单应变换、局部单应性、规范视图、深度学习、空间Transformer网络、度量学习。