本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

而且人脸分析任务上，准确性还不输真实数据的仅靠那种。

这是微软团队的一项最新研究，论文标题就已经说明了一切。

Fake it till you make it.

文章介绍了一种程序生成的3合成D人脸模型与一个合成数据库结合起来训练图像，结果人脸解析等任务上，效果与真实数据相当。

研究人员表示，为一些不可能实现人数据工标注的地方，开辟了新方法。

是不是以后真就告别人工标注了？！

如何实现？

要想让人脸数据集更加多样化、丰富化，靠收集和标注就能越来越难以实现。

且不说收集，比如网络抓取，可能带来重大的隐私和版权问题。而人工标注，很容易导致出错或者标签不一致的情况。

因实现此，研究团队就考虑用合成数据来增加或替代真实数据。然鹅，此前因为人脸模型本身复杂实现难度较为困难。

那么这次是如何实现的呢？

第一真实步，用程序生成合成面孔，包括身份、表情、面部纹理，以及发型和衣着，不同光线环境下的效果。

所有这些数据都是独立采样，提前“手人脸动”去除噪音，以确保创建更多样化的个体。

比如在人脸模型上，就是这样滴～

还有像衣着，则是由服装设计师和模拟软体设计师手工制作的，共分析有30套各种各样的衣服。

还包括头饰(36件)、面具(7件)和眼镜(11件) 。

除此以外，还合成了标签。

接着到了训练阶段，研究人员！微创建了一个10万张分辨率为512 × 512的图像的数据集，并做了数据增强处理，共用了150 张NVIDIA M60 GPU渲染48软这小时。

此外，团队还训练了人脸解析网络（仅使用合成数据）和标签适应网络，以解决合成标签和人工注释标签之间的系统差异。

最终，人项新脸分析、地标定位等任务上的效果与其他采用真实数据的模型相当。

不过，研究人员也承认这项技术仍然有一定局限性。

比如人脸模型只有头部和研究颈部、无法模拟真实的皱纹、随机匹配人脸时会得到一些不合常理的面孔，比如有胡须的女性。

在接下来的工作中，他们计划将解决这些局限性。

好告别了，感兴趣的旁友可戳下方论文链接～

论文链接：
https://www.arxiv-vanity.com/papers/210人工9.15102/

(责任编辑：渠道动态)