IEEE论文提出CARPM-FIQA方法优化人脸质量评分稳定性

针对人脸识别系统训练过程中质量评分不稳定的问题，一篇发表在IEEE《生物特征、行为与身份科学汇刊》的论文提出了CARPM-FIQA方法。该方法指出，由于特征空间在训练进程中持续演化，同一张人脸照片在不同训练轮次（Epoch）可能被判定为不同质量等级，这种“漂移”现象导致评分标准不稳定，尤其对处于决策边界附近的样本影响显著。

CARPM-FIQA的核心思路是对训练过程中每一轮计算出的相对点间隔质量分数进行累积平均，而非依赖单轮评分。论文在理论层面证明了累积质量分的无偏性，并分析了方差随轮次增加以1/n速度下降的特性。实验数据显示，在小规模训练（34个Epoch）和大规模训练（18个Epoch）中，相关放大系数分别为7.7倍和2.5倍，但方差下降趋势确定，从而降低均方误差并提升排序可靠性。

在SynFIQA合成数据集（包含550万张图片、5000个身份、11个质量等级）及多个基准数据集的测试中，CARPM-FIQA(L)在十七种对比方法中综合排名第四，CARPM-FIQA(S)排名第六。结果显示，累积方法在相邻质量等级间的Cohen's d指标上比非累积方法提升约24%，且避免了非累积方法在第20个Epoch左右出现的性能反弹现象。尽管在AgeDB-30、CALFW和XQLFW等特定基准上表现各异，该研究通过交叉模型评估验证了方法的通用性。

人脸图像质量评估技术的精细化，有助于提升边检、护照审核等安防场景的身份识别准确性与系统鲁棒性。