论文

IJCB-AFMFR 2026：使用合成训练数据调整人脸识别基础模型的竞赛

IJCB-AFMFR 2026: Competition on Adapting Foundation Models for Face Recognition Using Synthetic Training Data

Tahar Chettaoui; Guray Ozgur; Eduarda Caldeira; Arturas Nakvosas; Hatef Otroshi Shahreza; Sébastien Marcel; Rishabh Shukla; Aditya Takkar; Rushil Khullar; Lalak Yadav; Gourav Gupta; Anant Gupta; Shiqi Yu; Vitomir Struc; Naser Damer; Fadi Boutros来源日期：2026.07.28

模型评测基准与评测资源

摘要

本文总结了在 2026 年国际生物识别联合会议 (IJCB 2026) 上举行的使用合成训练数据调整人脸识别基础模型 (AFMFR) 竞赛的摘要。本次竞赛共收到来自四个不同团队的八份有效提交作品，涵盖两个互补的赛道：完整数据赛道，参赛者使用大规模合成身份数据来适应 CLIP ViT-L/14 基础模型，以及有限数据赛道，旨在反映更多资源受限的适应机制。所有训练数据都是使用 IDPERTURB 专门生成的。使用 Borda 计数方法，根据各种基准套件（包括 LFW、CFP-FP、AgeDB-30、CALFW、CPLFW、IJB-B、IJB-C 和 TinyFace）的验证和识别性能对提交的解决方案进行排名。此外，还针对四个人口群体的 RFW 数据集进行了公平性评估。结果表明，使用合成训练数据调整 CLIP 基础模型比现成模型有了显着改进，并且在某些情况下超过了基线。值得注意的是，带有 Sub-Center ArcFace (DMSTI-Neurotechnology) 的完整微调领先于完整数据轨道，而排名稳定的 LoRA 适应 (Idiap-BSP) 被证明在有限数据条件下最有效。