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

Sintesi Tecnica: Miglioramento del Riconoscimento Facciale a Bassa Risoluzione con Dati Limitati

Definizione del Problema
I sistemi di riconoscimento facciale (FR) impiegati nella sorveglianza incontrano spesso volti a Bassa Risoluzione (LR), in cui la regione facciale scende al di sotto della dimensione standard di input di 112 × 112 pixel (ad esempio, 16–32 pixel). Sebbene i dati di addestramento ad Alta Risoluzione (HR) siano abbondanti, i dati nativi LR etichettati e, soprattutto, i dati accoppiati nativi LR/HR sono scarsi. Questa scarsità ostacola l'addestramento di modelli robusti per i dispositivi edge. Una soluzione comune è sintetizzare dati LR partendo dai volti HR disponibili; tuttavia, rimane poco chiaro se l'impegno investito in strategie di sintesi complesse si traduca in un miglioramento dell'accuratezza del riconoscimento su dati LR reali. Inoltre, questa impostazione solleva preoccupazioni relative all'equità (fairness), poiché il degrado può influenzare i gruppi demografici in modo diseguale.

Metodologia
Gli autori presentano uno studio sistematico delle strategie di generazione di dati sintetici per un backbone compatto orientato ai dispositivi edge (EdgeFace-S) in condizioni di dati LR limitati. Valutano cinque strategie di adattamento attraverso tre livelli di "impegno di sintesi":

1. Basso Impegno (Interpolazione di Augmentation): Una catena deterministica che prevede il downsampling dei volti HR a risoluzioni specifiche (56, 28, 14 o 7 px) tramite interpolazione cubica o di area, seguito dall'upsampling a 112 px. Il modello viene riaddestrato end-to-end su questi dati aumentati.
2. Medio Impegno (Degradazione Generativa): Utilizzo di una pipeline di degradazione stocastica in stile Real-ESRGAN (sfocatura casuale, ridimensionamento, rumore e compressione JPEG) per sintetizzare volti di addestramento LR realistici. Ciò include l'addestramento di uno stem nativo da 32 px (sostituendo lo stem standard con una convoluzione 1×1) per accettare direttamente le immagini degradate.
3. Alto Impegno (Front-End di Super-Risoluzione Appreso): Un approccio a due stadi in cui un front-end di super-risoluzione (SR) consapevole dell'identità (utilizzando architetture ESPCN o RRDB) è pre-addestrato per ricostruire immagini simili a HR partendo da input da 32 px. A questo segue un addestramento contrastivo congiunto con un traduttore Prepended Domain Transformer (PDT), che alimenta un backbone più forte e congelato (EdgeFace-base).

Lo studio valuta anche la Distillazione della Conoscenza (KD), in cui un insegnante addestrato su HR guida uno studente LR.

Protocollo di Valutazione
Gli autori affrontano il "gap tra sintetico e reale" valutando tutte le strategie su due tipi distinti di dati:

• Benchmark Sintetici: Set di verifica standard (LFW, CFP-FP, AgeDB-30) degradati sinteticamente a varie risoluzioni.
• Reale Nativo-LR: Il dataset TinyFace, una collezione reale di volti LR, valutata sotto due pipeline di allineamento (ritagli allineati con padding e il Differentiable Face Aligner).

Risultati Chiave

• Il Gap Sintetico–Reale: L'impostazione di degradazione che produce prestazioni ottimali sui benchmark sintetici (28 px con downsampling cubico/upsampling di area, denominata 28 ↓c/↑a) performa male sui dati LR nativi reali (TinyFace), spesso peggio della baseline addestrata su HR. Al contrario, un'impostazione sintetica più lieve (56 ↓c/↑a) si rivela la più efficace sui dati LR reali.
• Rendimento Non Monotono dell'Impegno: Un aumento dell'impegno di sintesi non garantisce risultati migliori.
  • Sul backbone compatto (EdgeFace-S), la semplice interpolazione di augmentation (56 ↓c/↑a) è l'unica strategia che migliora rispetto alla baseline a feed diretto.
  • La Distillazione della Conoscenza produce i maggiori guadagni sui dati sintetici, ma fallisce nel trasferimento ai dati LR reali.
  • Front-End di SR Appresi: Anche con il pre-addestramento consapevole dell'identità e l'addestramento congiunto, la pipeline SR+PDT appresa non riesce a superare il feed diretto dell'immagine allineata in un backbone forte e congelato. La qualità visiva dei volti ricostruiti non si traduce in guadagni di riconoscimento.
• Equità (Fairness): Sebbene la sintesi consapevole della LR migliori l'accuratezza media, non riduce sistematicamente il bias demografico. La disparità del Tasso di Falsi Match (FMR) tra i gruppi africani, asiatici, caucasici e indiani sul dataset RFW rimane inconsistente o peggiora a seconda della risoluzione di addestramento.

Significatività e Conclusioni
Il documento conclude che i metodi generativi per il riconoscimento facciale a bassa risoluzione devono essere validati su dati LR reali e contro una baseline a feed diretto, piuttosto che affidarsi esclusivamente ai benchmark di degradazione sintetica. Gli autori sostengono che:

1. Le impostazioni ottimali differiscono per dominio: La "migliore" degradazione sintetica non è la migliore per l'implementazione nel mondo reale.
2. La semplicità spesso vince: Per i modelli compatti riaddestrabili, la semplice interpolazione di augmentation è superiore alle pipeline generative complesse.
3. Importanza della Baseline: Un front-end di SR appreso non è utile come soluzione autonoma se un backbone forte può ricevere direttamente l'immagine allineata; le pipeline di restauro dovrebbero essere dichiarate vantaggiose solo se superano questa baseline a feed diretto.
4. Limite della Fairness: I guadagni di accuratezza derivanti dalla sintesi non risolvono automaticamente il bias demografico.

Gli autori rilasciano la loro pipeline per incoraggiare la validazione su dati LR nativi reali, sottolineando che adattare l'impegno di sintesi ai vincoli di implementazione (backbone compatto vs. forte) è critico per l'applicazione pratica.