摘要
合成面孔数据集的有效性已足以训练出与真实照片训练的面部识别模型相媲美的准确性。这一进展规避了收集真实生物特征数据的伦理和法律负担，但评估尚未跟上。即使是完全基于合成图像的研究，仍依赖于真实面孔基准来衡量性能，这使得隐私问题只得到部分解决。
我们探讨合成数据集是否能替代真实基准进行面部识别评估。我们测试了 12 个合成数据集与 7 个已建立的真实基准，使用了涵盖卷积和变换器架构的 24 个预训练模型。评估内容包括生物特征验证指标、相似度得分分布、跨模型排名一致性以及每个数据集的基础分布特性。
各合成候选的基准测试保真度差异显著，但最强的两个数据集 MorphFace 和 Vec2Face 能够再现真实基准的相对行为，并达到与真实基准之间自然存在的分歧水平一致的程度。这些结果表明，构建良好的合成数据集能够支持面部识别的可靠比较评估，使这一领域更接近于完全合成且保护隐私的训练和基准测试流程。
博主点评： 本文展示了合成数据集在面部识别领域的重要性，尤其是在保护隐私和降低伦理风险的背景下。通过严谨的评估，MorphFace 和 Vec2Face 的表现证明了合成数据的潜力，为未来的研究提供了新的方向。合成数据集的广泛应用将可能改变面部识别技术的开发和评估方式。