IJB-C
PulseAugur coverage of IJB-C — every cluster mentioning IJB-C across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架提升低质量人脸识别准确率
研究人员开发了一个新框架，以提高低质量图像的人脸识别准确率。该框架通过引入局部概率边界（LPM）来估计样本难度，使用嵌套注意力模块（NAM）增强Transformer层，并采用质量门控协议（QGP）根据图像质量调整适配器贡献，从而解决了匹配退化图像的挑战。在TinyFace、SurvFace、IJB-B和IJB-C等基准测试上的实验表明，在识别和验证任务上均取得了显著改进。
-
新框架通过注意力和门控增强低质量人脸识别
研究人员开发了一个新框架，以改进低质量人脸识别（LQFR），这项任务由于图像质量下降和训练数据有限而特别具有挑战性。所提出的系统结合了三个组件：用于估计样本难度的局部概率边界（LPM）、用于 transformer 层的嵌套注意力模块（NAM）以及用于根据图像质量调整适配器贡献的质量门控协议（QGP）。这种方法允许单个模型在各种图像质量下表现良好，而不会损害高质量图像上的性能，这在监控和标准人脸识别基准测试中的收益得到了证明。
-
部分FC方法可实现千万级身份人脸识别模型训练
研究人员开发了一种名为部分FC（PFC）的新颖方法，可在单台机器上高效训练具有数百万身份的人脸识别模型。该技术通过在每个小批量中仅激活采样的一小部分负类中心来近似完整的softmax分类器，同时仍保留所有正类中心。PFC显著降低了内存、计算和通信开销，能够以具有竞争力的准确性和更高的效率进行大规模训练，支持数千万个类别。该方法还对标签噪声和长尾身份分布表现出鲁棒性。
-
新框架支持私有化人脸识别数据集发布
研究人员开发了一个名为私有化人脸蒸馏的新框架，以解决与发布人脸识别训练数据集相关的隐私问题。该方法旨在创建受保护的代理数据集，可用于训练人脸识别模型，而无需直接暴露个人身份。该框架解耦了源身份信息，同时保留了有效识别学习所需的几何和关系属性，与现有基线相比，显示出更高的效用和更低的关联性。
-
IJCB 2026竞赛：使用合成数据改编人脸识别基础模型
2026年国际生物识别联合会议（IJCB 2026）举办了一场专注于使用合成数据改编人脸识别基础模型的竞赛。该竞赛名为IJCB-AFMFR 2026，涉及来自四个团队的八个提交项目，分为两个赛道：CLIP ViT-L/14模型的完全数据改编和有限数据改编。所有训练数据均使用IDPERTURB生成，并根据各种基准对提交项目进行了评估。结果表明，使用合成数据改编CLIP基础模型显著提高了相对于现成模型的性能。
-
新的Q-Margin损失通过概率边距增强生物识别
研究人员推出了一种新颖的$\alpha$-散度损失函数Q-Margin，旨在改进生物识别系统。与将几何惩罚应用于logits的传统方法不同，这种新损失函数将一个原则性的概率边距直接编码到先验概率中。Q-Margin旨在鼓励区分性嵌入同时保持稀疏性，从而在人脸和说话人识别基准测试的低错误接受率下提高性能。
-
寄存器令牌使 Vision Transformer 具有可解释性和性能提升
研究人员开发了一种使用寄存器令牌的新方法，以提高 Vision Transformer (ViTs) 在人脸识别方面的可解释性和性能。通过向初始块嵌入添加可学习的寄存器令牌，与标准的 CLS 令牌或连接块嵌入 (CPE) 方法相比，ViT-8R 模型展示了更结构化和可理解的注意力图。这种增强不仅减轻了可解释性伪影，还在 IJB-B 和 IJB-C 等大规模基准测试中取得了最先进的成果。
-
ViT-FREE 方法提升人脸识别效率
研究人员开发了 ViT-FREE 方法，可在无需重新训练的情况下提高 Vision Transformers (ViTs) 在人脸识别方面的效率。该方法允许从预训练 ViT 的中间层提前退出，从而降低计算成本，同时保持高精度。一种额外的微调策略 ViT-FREE_FT，通过仅用合成数据调整投影层，进一步优化了浅层退出的性能。