论文题目：《CR-FIQA: Face Image Quality Assessment by Learning Sample Relative Classifiability》-CVPR2023
论文地址：https://arxiv.org/pdf/2112.06592v2.pdf
代码地址：https://github.com/fdbtrs/cr-fiqa
前言
之前人脸图像质量评估 (FIQA) 评估捕获的图像在实现可靠且准确的识别性能方面的效用。 这项工作提出了一种新颖的 FIQA 方法 CR-FIQA，该方法通过学习预测样本的相对分类性来估计样本的人脸图像质量。 这种可分类性是基于训练样本特征表示在角度空间中相对于其类中心和最近的负类中心的分配来测量的。 我们通过实验说明了人脸图像质量与样本相对可分类性之间的相关性。 由于这种属性只能在训练数据集上观察到，因此我们建议通过在训练过程中探测内部网络观察来学习该属性，并利用它来预测未见过的样本的质量。
关于人脸质量评估：
人脸图像效用表示图像对人脸识别（FR）算法的效用（价值）。 该实用程序使用标量（即人脸图像质量 (FIQ) 分数）进行测量，由于 FIQA 测量的是 FR 算法的人脸效用，因此它不一定反映，也不旨在测量感知的图像质量，例如 侧面图像可能具有较高的感知质量，但对 FR 算法的实用性较低。 文献中已通过通用图像质量评估 (IQA) 方法 [26,29,30] 解决了评估这种感知图像质量的问题，这与评估 FR 图像的实用性不同。 FIQA 方法 [28,32,36] 反映了这一点，在测量 FR 中人脸图像的效用 [19] 时，FIQA 方法 [28,32,36] 显着优于 IQA 方法 [26,29,30]。