СОВРЕМЕННЫЕ ПОДХОДЫ РАСПОЗНАВАНИЯ ЛИЦ В УСЛОВИЯХ НИЗКОЙ ОСВЕЩЁННОСТИ: ОБЗОР И КОНЦЕПЦИЯ ГИБРИДНОЙ END-TO-END АРХИТЕКТУРЫ
Аннотация
Рассматривается проблема надёжного распознавания лиц в таких критически важных областях, как видеонаблюдение и биометрическая аутентификация в условиях недостаточной освещённости. Существующие подходы, как правило, разделяют задачи повышения качества изображения и собственно идентификации, что приводит к накоплению ошибок и потере информативных признаков. Целью работы является преодоление этого ограничения путём разработки и теоретического обоснования гибридной end-to-end архитектуры, в которой задачи улучшения изображения и распознавания лица решаются совместно. В исследовании проводится систематический обзор современных методов, включая классические алгоритмы (выравнивание гистограмм, подавление шумов) и передовые глубокие нейронные сети (такие как EnlightenGAN, Zero-DCE, ArcFace, RetinaFace). В качестве основного предложения представлена интеграция генеративных и идентификационных модулей в единый вычислительный граф. Ключевым результатом исследования является демонстрация того, что совместная оптимизация всех этапов обработки в рамках единой модели, в отличие от разрозненных решений, принципиально меняет подход к проблеме. Теоретический анализ и сравнительная оценка концепций показывают, что предложенная архитектура обеспечивает более эффективный поток градиентов в процессе обучения, что ведёт к формированию более качественных и устойчивых к шуму признаков для идентификации. Показано, что такой подход позволяет избежать накопления ошибки между этапами и минимизировать потери информации. Новизна работы заключается в целостном, end-to-end взгляде на проблему распознавания в условиях низкой освещённости. Практическая ценность подтверждается применимостью архитектуры в реальных системах, где её внедрение потенциально позволит повысить надёжность и скорость работы за счёт объединения разнородных задач в единый оптимизируемый контур.
Список литературы
1. Lopatin D.V. Issledovanie effektivnosti deskriptorov osobykh tochek na razlichnykh tipakh izobra-zheniy: magisterskaya dissertatsiya [Study of the Efficiency of Feature Point Descriptors on Various Types of Images: Master’s thesis]. Tol'yatti: TGU, 2022, 75 p.
2. Goncharov A.V., Karkishchenko A.N. Vliyanie osveshchennosti na kachestvo raspoznavaniya frontal'nykh lits [Influence of illumination on the quality of frontal face recognition], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2008, No. 4 (81), pp. 88-92.
3. Liang J., Li Y., Yang M., Xu Y. Recurrent Exposure Generation for Low-Light Face Detection, arXiv, 2020. arXiv:2007.10963. doi: 10.48550/arXiv.2007.10963.
4. Ying Z., Li G., Gao W. A New Low-Light Image Enhancement Algorithm Using Camera Response Model, Proceedings of the IEEE International Conference on Computer Vision Workshops (ICCV Workshops), 2017, pp. 3015-3023. doi: 10.1109/ICCVW.2017.354.
5. Wei C., Wang W., Yang W., Liu J. Deep Retinex Decomposition for Low-Light Enhancement (Retinex-Net), arXiv, 2018. arXiv:1808.04560. doi: 10.48550/arXiv.1808.04560.
6. Chen C., Chen Q., Xu J., Koltun V. Learning to See in the Dark (SID), Proceedings of the IEEE Confer-ence on Computer Vision and Pattern Recognition (CVPR), 2018, pp. 3291-3300. doi: 10.1109/CVPR.2018.00347.
7. Jiang Y., Gong X., Liu D., Cheng Y., Fang C., Shen X., Yang J. Low-Light Image and Video Enhance-ment: A Comprehensive Survey, arXiv, 2022. arXiv:2212.10772. doi: 10.48550/arXiv.2212.10772.
8. Singh R., Kapoor K. Contrast Enhancement Techniques: A Survey, International Journal of Signal and Image Processing (IJSIP), 2017, Vol. 8, No. 3, pp. 45-56.
9. Kundu D., Chaudhuri B. Enhancement Measure Estimation (EME): A Metric for Image Contrast Evalu-ation, IET Image Processing, 2014, Vol. 8, No. 11, pp. 731-739. doi: 10.1049/iet-ipr.2013.0546.
10. Kovalevskiy V.A. Metody uluchsheniya izobrazheniy v sistemakh videonablyudeniya pri nedostatochnoy osveshchennosti: dissertatsiya [Methods for improving images in video surveillance systems under low illumination conditions: dissertation]. Moscow: MGTU im. Baumana, 2021, 112 p.
11. Guo C., Li C., Guo J., Loy C. C., Hou J., Kwong S., Cong R. Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement (Zero-DCE++), IEEE Transactions on Pattern Analysis and Ma-chine Intelligence, 2022, Vol. 44, No. 11, pp. 8825-8838. doi: 10.1109/TPAMI.2022.3141833.
12. Yang S., Luo P., Loy C. C., Tang X. WIDER FACE: A Face Detection Benchmark, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 5525-5533. doi: 10.1109/CVPR.2016.596.
13. Jain V., Learned-Miller E. FDDB: A Benchmark for Face Detection in Unconstrained Settings, Univer-sity of Massachusetts Amherst Technical Report, 2010, 32 p.
14. Maze B., Adams J., Duncan J. A., Kalka N., Grother P., Ngan M., Patterson E., Kao H.-C. IARPA Janus Benchmark–C: Face Dataset and Protocol, Proceedings of the International Conference on Bio-metrics (ICB), 2018, pp. 1-8. doi: 10.1109/ICB2018.2018.00012.
15. Patel O., Maravi Y.P.S., Sharma S. A Comparative Study of Histogram Equalization Based Image En-hancement Techniques for Brightness Preservation and Contrast Enhancement, Signal & Image Pro-cessing: An International Journal, 2013, Vol. 4, No. 1, pp. 1-10.
16. Bulat A., Tzimiropoulos G. How Far Are We from Solving the 2D & 3D Face Alignment Problem?, Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2017, pp. 2488-2497. doi: 10.1109/ICCV.2017.270.
17. Yamashita R., Nishio M., Do R.K.G., Togashi K. Convolutional Neural Networks: An Overview and Application in Radiology, Insights into Imaging, 2018, Vol. 9, pp. 611-629. doi: 10.1007/s13244-018-0639-9.
18. Lore K.G., Akintayo A., Sarkar S. LLNet: A Deep Autoencoder Approach to Natural Low-Light Image Enhancement, Proceedings of the IEEE International Conference on Image Processing (ICIP), 2017, pp. 1422-1426. doi: 10.1109/ICIP.2017.8296512.
19. Jiang Y., Gong X., Liu D., Cheng Y., Fang C., Shen X., Yang J. EnlightenGAN: Deep Light Enhance-ment without Paired Supervision, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2021, pp. 2862-2871. doi: 10.1109/CVPR46437.2021.00473.
20. Deng J., Guo J., Zhou Y., Yu J., Kotsia I., Zafeiriou S. RetinaFace: Single-Shot Multi-Level Face Locali-sation in the Wild, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recogni-tion (CVPR), 2020, pp. 5203-5212. doi: 10.1109/CVPR42600.2020.00525.
21. Shen Y., Liu H., Qi G.-J., Song J., Tao D. FaceID-GAN: Learning a Symmetry Three-Player GAN for Identity-Preserving Face Synthesis, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2018, pp. 821-830. doi: 10.1109/CVPR.2018.00092.
22. Li C., Guo C., Loy C.C., Cong R. LightenFace: Realistic Face Relighting via GAN with Identity Loss, IEEE Transactions on Image Processing, 2022, Vol. 31, pp. 2551-2564. doi: 10.1109/TIP.2022.3157457.
23. Zamir S.W., Arora A., Khan S., Hayat M., Khan F.S., Yang M.H., Shao L. Learning Enriched Features for Real Image Restoration and Enhancement, European Conference on Computer Vision (ECCV), 2020, pp. 492-511. doi: 10.1007/978-3-030-58595-2_30.
24. Shi Y., Wang Z., Tang Z., Wang J., Yin Y. LighterFace Model for Community Face Detection and Recognition, IEEE Access, 2021, Vol. 9, pp. 50752-50762. doi: 10.1109/ACCESS.2021.3069343.
25. Singh P., Reibman A.R. Task-Aware Image Quality Estimators for Face Detection, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2022, pp. 6211-6220. doi: 10.1109/CVPR52688.2022.00614.
26. Liang X., Chen X., Ren K., Miao X., Chen Z., Jin Y. Low-Light Image Enhancement via Adaptive Fre-quency Decomposition Network, Scientific Reports, 2023, Vol. 13, Article No. 15208. doi: 10.1038/s41598-023-40899-8.
27. Zhang Y., Zhang J., Guo X. Kindling the Darkness: A Practical Low-Light Image Enhancer, Proceed-ings of the International Conference on Multimedia Modeling (MMM), 2021, pp. 133-145. doi: 10.1007/978-3-030-67832-6_12.
28. Xie Y., Ou J., Wen B., Yu Z., Tian W. A Joint Learning Method for Low-Light Facial Expression Recog-nition, Complex & Intelligent Systems, 2024, Vol. 10, pp. 2595-2611. doi: 10.1007/s40747-024-01762-z.
29. Grother P., Ngan M., Hanaoka K. Face Recognition Vendor Test (FRVT) Part 3: Demographic Effects, NIST Interagency Report 8280, 2019. Available at: https://nvlpubs.nist.gov/nistpubs/ ir/2019/NIST.IR.8280.pdf (accessed 23 April 2026).
30. George A., Ecabert C., Shahreza H.O., Kotwal K., Marcel S. EdgeFace: Efficient Face Recognition Model for Edge Devices, arXiv, 2023. arXiv:2307.01838. doi: 10.48550/arXiv.2307.01838.
