Improving Low-Resolution Face Recognition under Limited Data: How Synthetic Data Generation Can Close the Domain Gap

ملخص تقني: تحسين التعرف على الوجوه منخفضة الدقة في ظل محدودية البيانات

بيان المشكلة
تواجه أنظمة التعرف على الوجوه (FR) المنتشرة في أنظمة المراقبة غالباً وجوهاً منخفضة الدقة (LR)، حيث يقل حجم منطقة الوجه عن الحجم القياسي للمدخلات البالغ 112 × 112 بكسل (على سبيل المثال، 16-32 بكسل). وبينما تتوفر بيانات عالية الدقة (HR) وفيرة للتدريب، فإن البيانات الأصلية منخفضة الدقة (native-LR) المسمّاة، والأهم من ذلك، البيانات المقترنة (native-LR/HR)، نادرة للغاية. هذا النقص يعيق تدريب نماذج قوية للأجهزة الطرفية (edge devices). وتتمثل إحدى الحلول الشائعة في تصنيع بيانات منخفضة الدقة من وجوه عالية الدقة المتاحة؛ ومع ذلك، لا يزال من غير الواضح ما إذا كان الجهد المستثمر في استراتيجيات التصنيع المعقدة يترجم إلى تحسن في دقة التعرف على البيانات منخفضة الدقة في العالم الحقيقي. علاوة على ذلك، يثير هذا الإعداد مخاوف تتعلق بالعدالة، حيث قد يؤثر التدهور في الجودة على المجموعات الديموغرافية بشكل غير متكافئ.

المنهجية
يقدم المؤلفون دراسة منهجية لاستراتيجيات توليد البيانات الاصطناعية لنموذج هيكلي مدمج مخصص للأجهزة الطرفية (EdgeFace-S) تحت ظروف محدودية البيانات منخفضة الدقة. يقومون بتقييم خمس استراتيجيات تكيف عبر ثلاثة مستويات من "جهد التصنيع":

1. الجهد المنخفض (تعزيز الاستيفاء - Interpolation Augmentation): سلسلة حتمية تتضمن خفض عينات الوجوه عالية الدقة إلى دقات محددة (56، 28، 14، أو 7 بكسل) باستخدام استيفاء تكعيبي (cubic) أو مساحي (area)، يليه رفع العينة مرة أخرى إلى 112 بكسل. يتم إعادة تدريب النموذج بشكل كامل (end-to-end) على هذه البيانات المعززة.
2. الجهد المتوسط (التدهور التوليدي - Generative Degradation): استخدام خط معالجة لتدهور عشوائي بأسلوب Real-ESRGAN (ضباب عشوائي، تغيير الحجم، ضوضاء، وضغط JPEG) لتصنيع وجوه تدريب منخفضة الدقة واقعية. يتضمن ذلك تدريب "ساق" (stem) أصلي بدقة 32 بكسل (استبدال الساق القياسي بـ 1×1 convolution) لقبول الصور المتدهورة مباشرة.
3. الجهد العالي (واجهة أمامية فائقة الدقة متعلمة - Learned Super-Resolution Front-End): نهج ذو مرحلتين حيث يتم تدريب واجهة أمامية فائقة الدقة (SR) مدركة للهوية (باستخدام بنيات ESPCN أو RRDB) مسبقاً لإعادة بناء صور تشبه عالية الدقة من مدخلات 32 بكسل. يتبع ذلك تدريب تبايني مشترك مع مترجم (PDT) مُلحق، وكل ذلك يغذي نموذجاً هيكلياً أقوى وثابت (EdgeFace-base).

كما تدرس الدراسة عملية تقطير المعرفة (KD)، حيث يقوم معلم مُدرب على بيانات عالية الدقة بتوجيه طالب منخفض الدقة.

بروتوكول التقييم
يعالج المؤلفون "الفجوة بين الاصطناعي والحقيقي" من خلال تقييم جميع الاستراتيجيات على نوعين متميزين من البيانات:

• الاختبارات الاصطناعية: مجموعات تحقق قياسية (LFW, CFP-FP, AgeDB-30) تم تخفيض دقتها اصطناعياً إلى دقات مختلفة.
• البيانات الأصلية المنخفضة الدقة (Real Native-LR): مجموعة بيانات TinyFace، وهي مجموعة حقيقية من الوجوه منخفضة الدقة، تم تقييمها تحت خطوط معالجة محاذاة مختلفة (محاصيل محاذات مع حواف Padding، ومحاذي الوجوه التفاضلي Differentiable Face Aligner).

النتائج الرئيسية

• الفجوة بين الاصطناعي والحقيقي: إعداد التدهور الذي يحقق الأداء الأمثل على الاختبارات الاصطناعية (28 ↓c/↑a، أي 28 بكسل مع خفض تكعيبي ورفع مساحي) يؤدي أداءً سيئاً على بيانات الوجوه الحقيقية الأصلية (TinyFace)، وغالباً ما يكون أسوأ من النموذج المرجعي المدرب على بيانات عالية الدقة. وعلى العكس من ذلك، أثبت إعداد اصطناعي أخف (56 ↓c/↑a) أنه الأكثر فعالية على البيانات منخفضة الدقة الحقيقية.
• العوائد غير الرتيبة للجهد: زيادة جهد التصنيع لا تضمن نتائج أفضل.
  • في النموذج الهيكلي المدمج (EdgeFace-S)، يعد تعزيز الاستيفاء البسيط (56 ↓c/↑a) الاستراتيجية الوحيدة التي تحسن الأداء مقارنة بالنموذج المرجعي المباشر.
  • يحقق تقطير المعرفة (KD) أكبر المكاسب على البيانات الاصطناعية، لكنه يفشل في الانتقال إلى البيانات الحقيقية منخفضة الدقة.
  • الواجهات الأمامية فائقة الدقة المتعلمة: حتى مع التدريب المسبق المدرك للهوية والتدريب المشترك، فشلت خطة (SR+PDT) في التفوق على التغذية المباشرة للصورة المحاذية في نموذج هيكلي قوي وثابت؛ حيث إن الجودة البصرية للوجوه المعاد بناؤها لا تترجم إلى مكاسب في التعرف.
• العدالة: بينما يحسن التصنيع المدرك لتدني الدقة من متوسط الدقة، فإنه لا يقلل بشكل منهجي من التحيز الديموغرافي. يظل التفاوت في معدل التطابق الخاطئ (FMR) عبر المجموعات الأفريقية، والآسيوية، والقوقازية، والهندية في مجموعة بيانات RFW غير متسق أو يزداد سوءاً اعتماداً على دقة التدريب.

الأهمية والاستنتاجات
يخلص البحث إلى أن طرق التصنيع التوليدي للتعرف على الوجوه منخفضة الدقة يجب التحقق من صحتها باستخدام بيانات منخفضة الدقة حقيقية وضد نموذج تغذية مباشرة، بدلاً من الاعتماد فقط على اختبارات التدهور الاصطناعي. يجادل المؤلفون بما يلي:

1. الإعدادات المثلى تختلف باختلاف المجال: التدهور الاصطناعي "الأفضل" ليس هو الأفضل للنشر في العالم الحقيقي.
2. البساطة غالباً ما تفوز: بالنسبة للنماذج المدمجة القابلة لإعادة التدريب، يعد تعزيز الاستيفاء منخفض الجهد هو الأفضل مقارنة بخطوط المعالجة التوليدية المعقدة.
3. أهمية النموذج المرجعي: الواجهة الأمامية فائقة الدقة المتعلمة ليست مفيدة كحل مستقل إذا كان يمكن تغذية نموذج هيكلي قوي بالصورة المحاذية مباشرة؛ لا ينبغي الادعاء بأن خطوط معالجة الترميم مفيدة إلا إذا تفوقت على نموذج التغذية المباشرة هذا.
4. محدودية العدالة: مكاسب الدقة الناتجة عن التصنيع لا تعالج التحيز الديموغرافي تلقائياً.

يقوم المؤلفون بإصدار خط معالجة الخاص بهم لتشجيع التحقق من الصحة باستخدام بيانات منخفضة الدقة حقيقية، مؤكدين على ضرورة مطابقة جهد التصنيع مع قيود النشر (سواء كان نموذجاً مدمجاً أم نموذجاً هيكلياً قوياً) وهو أمر بالغ الأهمية للتطبيق العملي.