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

Resumo Técnico: Melhorando o Reconhecimento Facial de Baixa Resolução sob Dados Limitados

Definição do Problema
Sistemas de reconhecimento facial (FR) implantados em vigilância frequentemente encontram faces de Baixa Resolução (LR), onde a região facial fica abaixo do tamanho padrão de entrada de 112 × 112 (ex: 16–32 pixels). Embora dados de Alta Resolução (HR) para treinamento sejam abundantes, dados nativos-LR rotulados e, crucialmente, dados pareados nativo-LR/HR são escassos. Essa escassez dificulta o treinamento de modelos robustos para dispositivos de borda (edge devices). Uma solução comum é sintetizar dados LR a partir de faces HR disponíveis; no entanto, permanece incerto se o esforço investido em estratégias de síntese complexas se traduz em melhoria na precisão do reconhecimento em dados LR do mundo real. Além disso, esse cenário levanta preocupações de equidade (fairness), pois a degradação pode afetar grupos demográficos de forma desigual.

Metodologia
Os autores apresentam um estudo sistemático de estratégias de geração de dados sintéticos para uma arquitetura compacta voltada para dispositivos de borda (EdgeFace-S) sob dados LR limitados. Eles avaliam cinco estratégias de adaptação através de três níveis de "esforço de síntese":

1. Baixo Esforço (Aumento por Interpolação): Uma cadeia determinística que envolve o downsampling de faces HR para resoluções específicas (56, 28, 14 ou 7 px) usando interpolação cúbica ou de área, seguido pelo upsampling de volta para 112 px. O modelo é retreinado de ponta a ponta (end-to-end) com esses dados aumentados.
2. Médio Esforço (Degradação Generativa): Utilização de um pipeline de degradação estocástica estilo Real-ESRGAN (desfoque aleatório, redimensionamento, ruído e compressão JPEG) para sintetizar faces de treinamento LR realistas. Isso inclui o treinamento de um stem nativo de 32 px (substituindo o stem padrão por uma convolução 1×1) para aceitar as imagens degradadas diretamente.
3. Alto Esforço (Front-End de Super-Resolução Aprendido): Uma abordagem de dois estágios onde um front-end de super-resolução (SR) consciente da identidade (usando arquiteturas ESPCN ou RRDB) é pré-treinado para reconstruir imagens semelhantes a HR a partir de entradas de 32 px. Isso é seguido por um treinamento contrastivo conjunto com um tradutor de Transformador de Domínio Precedente (PDT), alimentando em seguida um backbone mais forte e congelado (EdgeFace-base).

O estudo também avalia a Destilação de Conhecimento (KD), onde um professor treinado em HR guia um aluno LR.

Protocolo de Avaliação
Os autores abordam o "gap sintético–real" avaliando todas as estratégias em dois tipos distintos de dados:

• Benchmarks Sintéticos: Conjuntos de verificação padrão (LFW, CFP-FP, AgeDB-30) degradados sinteticamente para várias resoluções.
• Native-LR Real: O conjunto de dados TinyFace, uma coleção de faces LR do mundo real, avaliada sob dois pipelines de alinhamento (recortes alinhados com preenchimento (padding) e o Alinhador de Faces Diferenciável).

Principais Resultados

• O Gap Sintético–Real: A configuração de degradação que produz o desempenho ideal em benchmarks sintéticos (28 ↓c/↑a, envolvendo cubic-down/area-up) apresenta um desempenho ruim em dados nativos-LR reais (TinyFace), sendo muitas vezes pior que a linha de base (baseline) treinada em HR. Por outro, uma configuração sintética mais branda (56 ↓c/↑a) provou ser a mais eficaz em dados LR reais.
• Retornos Não Monotônicos sobre o Esforço: O aumento do esforço de síntese não garante melhores resultados.
  • No backbone compacto (EdgeFace-S), o simples aumento por interpolação (56 ↓c/↑a) é a única estratégia que melhora o desempenho em relação à linha de base de alimentação direta (direct-feed baseline).
  • A Destilação de Conhecimento gera os maiores ganhos em dados sintéticos, mas falha em transferir para o LR real.
  • Front-Ends de SR Aprendidos: Mesmo com pré-treinamento consciente da identidade e treinamento conjunto, o pipeline SR+PDT falha em superar a alimentação direta da imagem alinhada em um backbone forte e congelado. A qualidade visual das faces reconstruídas não se traduz em ganhos de reconhecimento.
• Equidade (Fairness): Embora a síntese consciente de LR melhore a precisão média, ela não reduz sistematicamente o viés demográfico. A disparidade da Taxa de Falso Positivo (FMR) entre os grupos Africano, Asiático, Caucasiano e Indiano no conjunto de dados RFW permanece inconsistente ou piora dependendo da resolução de treinamento.

Significância e Conclusões
O artigo conclui que os métodos generativos para reconhecimento facial LR devem ser validados em dados LR reais e contra uma linha de base de alimentação direta, em vez de depender apenas de benchmarks de degradação sintética. Os autores argumentam que:

1. Configurações ideais diferem por domínio: A "melhor" degradação sintética não é a melhor para implantação no mundo real.
2. A simplicidade costuma vencer: Para modelos compactos retreináveis, o aumento por interpolação de baixo esforço é superior a pipelines generativos complexos.
3. Importância da linha de base: Um front-end de SR aprendido não é útil como uma solução isolada se um backbone forte puder receber a imagem alinhada diretamente; pipelines de restauração só devem ser reivindicados como benéficos se superarem essa linha de base de alimentação direta.
4. Limitação de equidade: Ganhos de precisão via síntese não resolvem automaticamente o viés demográfico.

Os autores disponibilizam seu pipeline para incentivar a validação em dados nativos-LR reais, enfatizando que o ajuste do esforço de síntese às restrições de implantação (backbone compacto vs. forte) é crítico para aplicações práticas.