文章转自：同作者微信公主号【机器学习炼丹术】。欢迎交流，共同进步。
- 论文名称：SER-FIQ: Unsupervised Estimation of Face Image Quality Based on Stochastic Embedding Robustness
- 论文链接：https://arxiv.org/abs/2003.09373
0 综述
这可能是我看CVPR论文中，唯一一个5分钟就看完原理的论文了，简单有趣。这一篇文章是CVPR2020的与图像质量评估相关的文章，整体思想比较新颖，而且是无监督的方式，感觉构思不错，我要好好读读这一篇。
1 细节
人脸质量评估的目的是评估一个人脸图片与面部识别算法的适用性，什么是高质量的人脸图片？不是看的清晰的，而是可以正确被面部识别算法识别的。
基于这种思想，计算人脸识别算法的随机子网络的输出的方差，得到图片的鲁棒性，从而反应图片的质量，如下图：
上图中的随机子网络，其实就是dropout实现的全连接层，所以要求人脸识别模型中必须包含dropout层。
作者对于每个图片，随机构建了m个随机子网络，然后对m个输出计算方差。我们用数学来表示这m个随机子网络的输出：
\(X(I)=\{x_s\}, s \in {1,2,...,m}\)
其中I表示原始图像，m为随机子网络的数量，\(s_m\)表示第m个随机子网络，输入I的时候的输出。
那么我们用下面的公式来计算图像I的quality score：
这样质量分数是在0和1之间的一个数字。
这个流程图也很简单，跟我们刚才说的一样。
2 总结
上图是一个实验结果图，不同模型的之间的对比。论文后面用大量篇幅在各种人面识别模型和数据集上做实验和对比，这里就不多描述了。回头有机会，这个方法可以试一试，简单又有意思。