董希加，罗京

（四川大学计算机学院，成都610065）

0 引言

人脸识别是当前应用最为广泛的身份识别技术之一，早在上世纪90 年代，人脸识别就已经是一个热门的研究领域，大量的诸如EigenFace[1]、FisherFace[2]、Gabor[3]、LBP[4]的基于特征的人脸识别技术被提出。2014 年以来，DeepFace[5]和DeepID[6]等深层神经网络在非限制场景下取得了较好的效果，SphereFace[7]、CosFace[8]、ArcFace[9]等系列提出的网络结构和损失函数基本达到了非限制人脸数据集上的最佳效果，但是在跨姿态、跨年龄等跨因素的人脸识别上，准确率将大幅下降。随着越来越多类型的神经网络被提出，人脸算法由一开始的人脸识别逐渐扩展到人脸关键点检测、人脸修复、人脸生成等众多领域。2014 年，Good fellow[10]提出了一种无监督的生成模型——生成对抗网络，可以用于生成复杂随机样本，数据生成与增强是其重要的应用方向，包括图像分类、检测在内的众多计算机视觉任务都可以通过GAN 增强图像来提高性能，因此受到学界和工业界的热捧。

1 单任务网络级联的局限性

GAN 可有效地应用在人脸去遮挡任务中，Generative Face Completion 等文[11]已经证明了GAN 在人脸去遮挡应用的有效性，能够在修复人脸的同时维持人脸特性。已有的GAN 人脸修复网络[12-13]与人脸识别过程是割裂的，人脸识别框架一般包括人脸检测、人脸对齐、特征提取、人脸验证或人脸识别，一般是将人脸修复网络的结果作为人脸识别网络的输入，因此可以说GAN 人脸修复是人脸识别的预处理手段，也就是说传统的处理办法分为两步：先将缺损的人脸输入人脸修复网络，得到人脸修复结果，再将其输入人脸识别网络中，得到人脸特征进行人脸验证或人脸识别。……