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

Resumen Técnico: Mejora del Reconocimiento Facial de Baja Resolución bajo Datos Limitados

Planteamiento del Problema
Los sistemas de reconocimiento facial (FR) desplegados en vigilancia suelen encontrarse con rostros de Baja Resolución (LR), donde la región facial cae por debajo del tamaño de entrada estándar de 112 × 112 (por ejemplo, 16–32 píxeles). Aunque los datos de entrenamiento de Alta Resolución (HR) son abundantes, los datos nativos de LR etiquetados y, crucialmente, los datos emparejados nativos LR/HR son escasos. Esta escasez dificulta el entrenamiento de modelos robustos para dispositivos de borde (edge devices). Una solución común es sintetizar datos LR a partir de rostros HR disponibles; sin embargo, no está claro si el esfuerzo invertido en estrategias de síntesis complejas se traduce en una mejora de la precisión del reconocimiento en datos LR del mundo real. Además, este escenario plantea preocupaciones de equidad, ya que la degradación puede afectar a los grupos demográficos de manera desigual.

Metodología
Los autores presentan un estudio sistemático de las estrategias de generación de datos sintéticos para una arquitectura compacta orientada a dispositivos de borde (EdgeFace-S) bajo condiciones de datos LR limitados. Evalúan cinco estrategias de adaptación a través de tres niveles de "esfuerzo de síntesis":

1. Esfuerzo Bajo (Aumento por Interpolación): Una cadena determinista que consiste en el submuestreo (downsampling) de rostros HR a resoluciones específicas (56, 28, 14 o 7 px) mediante interpolación cúbica o de área, seguido del sobremuestreo (upsampling) de vuelta a 112 px. El modelo se reentrena de extremo a extremo (end-to-end) con estos datos aumentados.
2. Esfuerzo Medio (Degradación Generativa): Utilización de un pipeline de degradación estocástica de estilo Real-ESRGAN (desenfoque aleatorio, redimensionamiento, ruido y compresión JPEG) para sintetizar rostros de entrenamiento LR realistas. Esto incluye el entrenamiento de un tallo (stem) nativo de 32 px (reemplazando el tallo estándar con una convolución de 1×1) para aceptar las imágenes degradadas directamente.
3. Esfuerzo Alto (Front-End de Super-Resolución Aprendido): Un enfoque de dos etapas donde un front-end de super-resolución (SR) sensible a la identidad (usando arquitecturas ESPCN o RRDB) se preentrena para reconstruir imágenes similares a HR a partir de entradas de 32 px. Esto es seguido por un entrenamiento contrastivo conjunto con un traductor de Transformador de Dominio Prependido (PDT), que alimenta a una arquitectura (backbone) más fuerte y congelada (EdgeFace-base).

El estudio también evalúa la Destilación de Conocimiento (KD), donde un maestro entrenado en HR guía a un estudiante LR.

Protocolo de Evaluación
Los autores abordan la "brecha sintético-real" evaluando todas las estrategias en dos tipos distintos de datos:

• Benchmarks Sintéticos: Conjuntos de verificación estándar (LFW, CFP-FP, AgeDB-30) degradados sintéticamente a diversas resoluciones.
• LR Nativo Real: El conjunto de datos TinyFace, una colección de rostros LR del mundo real, evaluada bajo dos pipelines de alineación (recortes alineados con relleno y el Alineador de Rostros Diferenciable).

Resultados Clave

• La Brecha Sintético-Real: La configuración de degradación que produce el rendimiento óptimo en los benchmarks sintéticos (28 ↓c/↑a, mediante downsampling cúbico/upsampling de área) funciona mal en los datos de LR nativo real (TinyFace), siendo a menudo peor que la línea base entrenada en HR. Por el contrario, una configuración sintética más suave (56 ↓c/↑a) resulta ser la más efectiva en datos LR reales.
• Retornos No Monotónicos del Esfuerzo: El aumento del esfuerzo de síntesis no garantiza mejores resultados.
  • En la arquitectura compacta (EdgeFace-S), el simple aumento por interpolación (56 ↓c/↑a) es la única estrategia que mejora la línea base de alimentación directa.
  • La Destilación de Conocimiento genera las mayores ganancias en datos sintéticos, pero no logra transferirse al LR real.
  • Front-Ends de SR Aprendidos: Incluso con preentrenamiento sensible a la identidad y entrenamiento conjunto, el pipeline de SR aprendido + PDT no logra superar la alimentación directa de la imagen alineada en una arquitectura fuerte y congelada. La calidad visual de los rostros reconstruidos no se traduce en ganancias de reconocimiento.
• Equidad (Fairness): Aunque la síntesis consciente de LR mejora la precisión promedio, no reduce sistemáticamente el sesgo demográfico. La disparidad en la Tasa de Falsos Emparejamientos (FMR) entre los grupos africano, asiático, caucásico e indio en el conjunto de datos RFW permanece inconsistente o empeora dependiendo de la resolución de entrenamiento.

Significancia y Conclusiones
El artículo concluye que los métodos generativos para el reconocimiento facial de baja resolución deben validarse en datos de LR reales y contra una línea base de alimentación directa, en lugar de depender únicamente de benchmarks de degradación sintética. Los autores argumentan que:

1. Los entornos óptimos difieren por dominio: La "mejor" degradación sintética no es la mejor para el despliegue en el mundo real.
2. La simplicidad suele ganar: Para modelos compactos reentrenables, el aumento por interpolación de bajo esfuerzo es superior a los pipelines generativos complejos.
3. Importancia de la línea base: Un front-end de SR aprendido no es útil como solución independiente si se puede alimentar directamente la imagen alineada a una arquitectura fuerte; solo se debe afirmar que los pipelines de restauración son beneficiosos si superan esta línea base de alimentación directa.
4. Limitación de la equidad: Las ganancias de precisión derivadas de la síntesis no resuelven automáticamente el sesgo demográfico.

Los autores liberan su pipeline para fomentar la validación en datos de LR nativo real, enfatizando que emparejar el esfuerzo de síntesis con las restricciones de despliegue (arquitectura compacta vs. fuerte) es crítico para la aplicación práctica.