Redes neuronales generativas antagónicas para mejorar la calidad de sistemas de identificación facial

Abstract

El proyecto se centra en la generación de rostros humanos sintéticos mediante un modelo de Red Generativa Antagónica, abordando la necesidad de producir imágenes realistas y controladas en cuanto a sus atributos faciales. El objetivo principal es desarrollar un algoritmo evolutivo para explorar el espacio latente del generador y obtener rostros que combinen simultáneamente similitud con un individuo de referencia, evaluados con dos reconocedores faciales independientes, y correspondencia con una raza específica. La solución implementa un algoritmo evolutivo multiobjetivo que guía el proceso de generación mediante la evaluación iterativa de las imágenes sintéticas en función de los atributos especificados. El algoritmo utiliza en su función de evaluación StyleGAN3 como el generador de imágenes de rostros sintéticos, los modelos de reconocimiento VGG-Face y Dlib para evaluar la similitud facial y el clasificador de raza FairFace para evaluar la correspondencia racial. Los resultados indican que las soluciones producidas presentan un rendimiento consistente, incluso cuando se analizan con diferentes reconocedores, demostrando la capacidad del algoritmo para mantenerse robusto frente a diversos criterios de evaluación. El algoritmo evolutivo desarrollado demostró su capacidad para generar rostros con atributos de raza específicos que engañaron a los reconocedores VGG-Face y Dlib, produciendo resultados efectivos para todos los objetivos evaluados.