On the Capacity of Distinguishable Synthetic Identity Generation under Face Verification

A continuación presento un resumen técnico detallado del artículo "On the Capacity of Distinguishable Synthetic Identity Generation under Face Verification", escrito por Behrooz Razeghi de la Universidad de Harvard.

1. Planteamiento del Problema

El artículo aborda una pregunta operativa fundamental en la generación de rostros sintéticos: ¿Cuántas identidades sintéticas distintas pueden generarse para que un verificador facial las clasifique correctamente como "mismas identidad" (match) o "diferentes identidades" (non-match) bajo un umbral fijo $\tau$?

La premisa central es que la realismo visual de las imágenes generadas no es suficiente; las identidades sintéticas deben ser distinguibles dentro del sistema de reconocimiento utilizado en la prueba. El problema se define conjuntamente por el generador (que produce muestras basadas en códigos latentes) y el verificador (que decide basándose en la similitud de los embeddings).

El autor critica las métricas existentes (como similitud promedio, dispersión de características o información mutua) por no responder directamente a la capacidad de distinguibilidad simultánea bajo reglas de decisión umbralizadas. En su lugar, propone definir una capacidad de generación de identidad distinguible centrada en el verificador.

2. Metodología y Modelo del Sistema

El estudio formaliza un pipeline de reconocimiento facial generativo compuesto por:

1. Un generador $g: \mathcal{Z} \times \mathcal{U} \to \mathcal{Y}$, donde $\mathcal{Z}$ es el espacio latente, $\mathcal{U}$ el espacio de variables de molestia (vistas, iluminación, pose) y $\mathcal{Y}$ el espacio de imágenes.
2. Un mapa de reconocimiento $\phi: \mathcal{Y} \to S^{D-1}$, que mapea la imagen a un embedding unitario en una hipersfera de dimensión $D$.

La similitud se mide mediante la puntuación de coseno $\langle e, e' \rangle$, y la regla de verificación es $\langle e, e' \rangle \geq \tau$, equivalente a una distancia angular $\angle(e, e') \leq \arccos(\tau)$.

El análisis se divide en dos regímenes principales:

A. Régimen Determinista (Invariante a la Vista)

En este caso, cada identidad se mapea a un único vector unitario determinista. La capacidad se caracteriza como un problema de código esférico (spherical code) sobre el conjunto de embeddings realizables. Si el sistema tiene "expresividad angular completa" (puede generar cualquier dirección en la hipersfera), la capacidad se reduce al número clásico de empaquetamiento esférico $A_D(\psi)$, donde $\psi = \arccos(\tau)$.

B. Régimen Estocástico (Modelo Centrado)

Para modelos generativos reales donde hay variabilidad intra-identidad (diferentes vistas de la misma persona), se introduce un modelo centrado.

• Cada identidad $i$ tiene una distribución de embedding concentrada alrededor de un centro $u_i$ dentro de un cap de radio angular $\rho$ (con alta probabilidad $1-\eta$).
• Se deriva una condición suficiente de admisibilidad: Para que dos identidades sean distinguibles, la separación angular entre sus centros debe ser al menos:
  $$\angle(u_i, u_j) \geq \arccos(\tau) + 2\rho$$
  Esto significa que la separación requerida es el umbral de verificación más el doble del radio de concentración intra-identidad.

C. Capacidad de Código Aleatorio con Prior

Se analiza un escenario donde los códigos latentes se muestrean independientemente de una distribución previa (prior) en lugar de diseñarse determinísticamente. Se define la capacidad como el número máximo de identidades muestreadas que satisfacen las restricciones de verificación con una probabilidad alta ($1-\delta$). Se demuestra que esta capacidad está acotada superiormente por la capacidad de código fijo.

3. Contribuciones Clave

1. Definición Operacional: Se introduce una definición de capacidad de generación de identidad distinguible basada en un umbral fijo de verificación, vinculada directamente al comportamiento de decisión del verificador.
2. Caracterización Determinista: Se establece que, en el régimen invariante a la vista, la capacidad es equivalente a un problema de código esférico, reduciéndose a la cantidad clásica bajo expresividad angular completa.
3. Límites Inferiores Estocásticos: Para la generación estocástica, se deriva una condición geométrica suficiente basada en la separación de centros ($\arccos(\tau) + 2\rho$) y se obtienen límites inferiores basados en códigos esféricos y tasas asintóticas positivas.
4. Análisis de Código Aleatorio: Se introduce la capacidad de código aleatorio con prior, derivando límites inferiores de alta probabilidad en función de las probabilidades de fallo de separación par entre centros de identidad.
5. Converso Exacto: Bajo un modelo de soporte completo de cap (full-cap-support), se obtiene un converse y una caracterización exacta del código esférico.

4. Resultados Principales

• Crecimiento Exponencial: El número de identidades distinguibles crece exponencialmente con la dimensión del embedding $D$. La tasa de crecimiento asintótica (en nats por dimensión) está acotada inferiormente por $-\log(\sin(\psi_{\tau}(\rho)))$, donde $\psi_{\tau}(\rho) = \arccos(\tau) + 2\rho$.
• Impacto de la Concentración ($\rho$): Una mayor dispersión intra-identidad (mayor $\rho$) aumenta el ángulo de separación requerido, reduciendo la capacidad de identidades distinguibles.
• Impacto del Umbral ($\tau$): Un umbral más estricto (mayor $\tau$) reduce el ángulo $\arccos(\tau)$, permitiendo una mayor capacidad, mientras que un umbral más laxo exige mayor separación angular.
• Costo del Muestreo Aleatorio: En el régimen de código aleatorio con centros inducidos uniformes, la tasa asintótica es exactamente la mitad de la tasa del código fijo. Esto representa el "costo" de no poder seleccionar óptimamente los centros, sino depender de la probabilidad de que el muestreo aleatorio evite colisiones.
• Validación Numérica: Los experimentos sintéticos en la hipersfera confirman que los límites teóricos (superiores e inferiores) siguen tendencias exponenciales consistentes con la teoría, y validan la relación de factor 2 entre los regímenes fijo y aleatorio.

5. Significado e Implicaciones

Este trabajo proporciona un marco teórico riguroso para entender los límites fundamentales de la generación de identidades sintéticas para reconocimiento facial.

• Más allá del Realismo: Cambia el enfoque de la "realismo visual" a la "distinguibilidad geométrica" en el espacio de características.
• Guía para el Diseño: Sugiere que los objetivos de entrenamiento para generadores deberían promover la concentración de los embeddings de una misma identidad (bajo $\rho$) y la dispersión angular amplia de los centros de identidad, alineándose conceptualmente con los "Maximum Manifold Capacity Representations" (MMCR), pero con una definición operativa explícita basada en umbrales.
• Importancia de la Dimensión: Destaca que la dimensión del espacio de embedding ($D$) no es un detalle de implementación, sino una variable crítica que determina la escalabilidad del número de identidades distinguibles.
• Aplicabilidad: El marco es aplicable tanto a modelos GAN como a modelos de difusión, proporcionando métricas teóricas para evaluar la escalabilidad de estos sistemas antes de su despliegue.

En resumen, el artículo establece que la capacidad de un sistema de reconocimiento para distinguir identidades sintéticas es un problema geométrico de empaquetamiento en la hipersfera, gobernado por la interacción entre el umbral de decisión, la variabilidad intra-identidad y la dimensión del espacio de características.