论文提出累积平均法优化人脸识别图像质量评估稳定性

近期，一篇发表于IEEE《生物特征、行为与身份科学汇刊》的论文，针对人脸识别图像质量评估（FIQA）中评分随训练过程波动的问题，提出了名为CARPM-FIQA的累积平均方法。研究指出，当前主流的FIQA方法往往与人脸识别模型深度绑定，在训练过程中，特征空间不断演化，导致同一图像在不同训练轮次（Epoch）下的质量评分出现不稳定，即“漂移”现象。这种不稳定性尤其影响位于决策边界附近的样本，使得训练目标模糊。

该论文的核心思路并非重新发明评分公式，而是改变使用评分的方式。方法借用了相对点间隔（RPM）指标，计算单轮质量分后，不再依赖单一时刻的数值，而是对训练过程中所有轮次的评分进行累积平均。理论上，这种策略能显著降低方差，且随着轮次增加，排序错误概率趋近于零。实验数据显示，在SynFIQA合成数据集上，累积方法在相邻质量等级间的区分度（Cohen's d）比非累积方法提升了约24%，有效避免了非累积方法在训练约20个epoch后出现的性能“反弹”现象。

在跨模型交叉验证中，CARPM-FIQA在LFW、AgeDB-30等八个基准数据集上进行了评测。结果显示，大规模版本CARPM-FIQA(L)在综合指标中排名第四，且在LFW基准上表现优异。不过，论文也坦承该方法并非在所有场景下均占优，例如在XQLFW等极端退化场景或后期无反弹的基准中，非累积方法或冻结版本可能表现更好。这种基于动态特征表示的稳定性优化思路，为安防领域的人脸核验系统提升鲁棒性提供了新的技术参考。