[[427464]]

本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

而且人臉分析任務上，準確性還不輸真實數據的那種。

這是微軟團隊的一項最新研究，論文標題就已經說明了一切。

Fake it till you make it.

文章介紹了一種程序生成的3D人臉模型與一個合成數據庫結合起來訓練圖像，結果人臉解析等任務上，效果與真實數據相當。

研究人員表示，為一些不可能實現人工標注的地方，開辟了新方法。

是不是以后真就告別人工標注了？！

如何實現？

要想讓人臉數據集更加多樣化、豐富化，靠收集和標注越來越難以實現。

且不說收集，比如網絡抓取，可能帶來重大的隱私和版權問題。而人工標注，很容易導致出錯或者標簽不一致的情況。

因此，研究團隊就考慮用合成數據來增加或替代真實數據。然鵝，此前因為人臉模型本身復雜實現難度較為困難。

那么這次是如何實現的呢？

第一步，用程序生成合成面孔，包括身份、表情、面部紋理，以及發型和衣著，不同光線環境下的效果。

所有這些數據都是獨立采樣，提前“手動”去除噪音，以確保創建更多樣化的個體。

比如在人臉模型上，就是這樣滴～

還有像衣著，則是由服裝設計師和模擬軟體設計師手工制作的，共有30套各種各樣的衣服。

還包括頭飾(36件)、面具(7件)和眼鏡(11件) 。

除此以外，還合成了標簽。

接著到了訓練階段，研究人員創建了一個10萬張分辨率為512 × 512的圖像的數據集，并做了數據增強處理，共用了150 張NVIDIA M60 GPU渲染48小時。

此外，團隊還訓練了人臉解析網絡（僅使用合成數據）和標簽適應網絡，以解決合成標簽和人工注釋標簽之間的系統差異。

最終，人臉分析、地標定位等任務上的效果與其他采用真實數據的模型相當。

不過，研究人員也承認這項技術仍然有一定局限性。

比如人臉模型只有頭部和頸部、無法模擬真實的皺紋、隨機匹配人臉時會得到一些不合常理的面孔，比如有胡須的女性。

在接下來的工作中，他們計劃將解決這些局限性。

好了，感興趣的旁友可戳下方論文鏈接～

論文鏈接：
https://www.arxiv-vanity.com/papers/2109.15102/