NegFaceDiff
收藏资源简介：
NegFaceDiff是一个新的采样方法，旨在通过在身份条件扩散过程中集成负面条件来增强身份分离，从而消除生成图像中不需要的特征。该方法在身份一致性方面取得了显著的改进，在多个基准测试中，使用NegFaceDiff数据集训练的人脸识别模型的表现优于未使用负面条件的数据生成的模型。
NegFaceDiff is a novel sampling method designed to enhance identity separation by integrating negative conditions into the identity consistency diffusion process, thereby eliminating unnecessary features from the generated images. This method has achieved significant improvements in identity consistency, with the facial recognition models trained on the NegFaceDiff dataset outperforming those generated without negative conditions in multiple benchmark tests.
NegFaceDiff数据集概述
数据集基本信息
- 论文标题: NegFaceDiff: The Power of Negative Context in Identity-Conditioned Diffusion for Synthetic Face Generation
- 论文状态: 已被ICCV Workshop 2025接收
- 论文链接: https://arxiv.org/abs/2508.09661
- 许可证: Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
数据集内容
- 生成方法: 使用NegFaceDiff采样方法增强身份条件扩散模型，通过负条件引导模型远离不需要的特征，同时保持类内一致性
- 关键改进: 身份分离性显著提升（Fisher Discriminant Ratio从2.427提高到5.687）
数据集获取
- 访问方式: 需通过Google Drive申请访问
- 下载链接: https://drive.google.com/drive/folders/1RXplM2j8cP4pyljcHweoq5I_xZFi3h_T?usp=sharing
- 申请要求: 提供姓名、所属机构和官方邮箱
- 包含内容:
- 使用NegFaceDiff生成的数据集（基于CASIA-WebFace预训练的扩散模型）
- 预训练扩散模型权重
- 基于生成数据训练的FR模型权重
相关训练数据集
- FFHQ数据集: https://github.com/NVlabs/ffhq-dataset
- CASIA-WebFace数据集: https://github.com/deepinsight/insightface/tree/master/recognition/datasets
使用方法
训练与采样
-
预训练模型获取:
- 从Rombach等人获取预训练autoencoder
- 从ElasticFace官方仓库获取预训练ElasticFace-Cos模型权重
-
IDiff-Face训练: 参考官方仓库 https://github.com/fdbtrs/IDiff-Face
-
上下文列表生成:
- 正上下文: 使用
create_sample_identity_contexts.py - 负上下文: 根据需求选择不同脚本生成
- 正上下文: 使用
-
数据采样与对齐:
- 使用
sample.py生成合成数据集 - 使用
split_identity_blocks.py分割样本 - 使用
MTCNN_alignment.py对齐样本
- 使用
评估与训练
- 使用
distribution.py生成分数分布图 - 使用
train.py训练FR系统 - 使用
eval_ijbc.py进行IJB-C评估
引用格式
bibtex @misc{caldeira2025negfacediff, title={NegFaceDiff: The Power of Negative Context in Identity-Conditioned Diffusion for Synthetic Face Generation}, author={Eduarda Caldeira and Naser Damer and Fadi Boutros}, year={2025}, eprint={2508.09661}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2508.09661}, }
