Адаптивное наращивание для контролируемого синтеза лиц

arXiv: 2610.11356v1 Annualce Type: New Humber Abstract: Sintetic Data представляет собой масштабируемую альтернативу реальным наборам данных для учебных моделей распознавания лиц, особенно в таких сложных условиях, как низкая разрешающая способность, оккультизация и маски. Тем не менее большинство подходов недостаточно разнообразны и не могут эффективно обобщать. Мы предлагаем использовать систему контроля обратной связи (EFCS) в качестве руководящей основы, которая создает разнообразные и сложные образцы при сохранении визуального реализма. EFCS увеличивает дистрибьюторскую изменчивость, которая часто находит отражение в более высоких показателях FID и KID по сравнению с одноразовым и случайным синтезом при сохранении высокой точности. Модели признания, подготовленные на основе данных ЭКСД, постоянно опережают базовые показатели по нескольким контрольным показателям, что свидетельствует об улучшении обобщения в реальных сценариях. Кроме того, мы введем аналитически мотивированную формулу, увязывающую трудности, вызванные возмущением, полезность выборки и деградацию эффективности, с принципиальным анализом сбалансированности sy