Balancing Foundation Models and Trait-Specific Learning for Forehead-Crease Recognition

📄 arXiv: 2610.29495v1 📥 PDF

作者: Geetanjali Sharma, Aryan Jain, Dev Nagaich, Aditya Nigam, Raghavendra Ramachandra

分类: cs.CV

发布日期: 2026-10-21

备注: Accepted at CVIP 2026

💡 一句话要点

提出基于额头皱纹识别的生物特征识别方法以应对部分面部可见性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 生物识别 额头皱纹识别 零-shot 学习 领域自适应 特征特定建模

📋 核心要点

  1. 现有的生物识别方法在面部部分可见性下效果较差，传统面部特征可能被遮挡，导致识别率下降。
  2. 本文提出了一种结合可解释零-shot 推理和特征特定学习的额头皱纹识别方法，以提高识别的准确性和鲁棒性。
  3. 实验结果显示，特征特定学习方法在额头皱纹识别中表现优于零-shot 模型，Edge-Forehead 模型的 EER 达到 8.30%。

📝 摘要（中文）

生物识别在面部部分可见性下常常效果不佳，传统的面部特征可能被遮挡。额头区域始终可见，且包含独特的皱纹模式，可以作为补充的生物特征。本文对额头皱纹识别进行了统一评估，涵盖可解释的零-shot 推理、领域自适应学习和特征特定建模。FIRE 使得使用多模态大语言模型进行可解释的零-shot 验证成为可能，同时通过基于边际的学习将预训练的人脸识别模型适应于额头领域。在开放集评估中，最佳的零-shot 模型 GPT-4o+FIRE 达到 18.22% 的 EER，而 Edge-Forehead 达到 8.30% 的 EER 和 54.01% 的 TMR@0.1% FMR。结果表明，尽管多模态大语言模型提供了可解释的零-shot 验证，但特征特定学习在稳健的额头皱纹生物识别中更为有效。

🔬 方法详解

问题定义：本文旨在解决在部分面部可见性下生物识别的准确性问题，现有方法在此情况下往往无法有效识别。

核心思路：通过结合可解释的零-shot 推理和特征特定学习，利用额头区域的独特皱纹模式作为补充生物特征，以提高识别性能。

技术框架：整体架构包括三个主要模块：可解释的零-shot 验证模块、领域自适应学习模块和特征特定建模模块，分别处理不同的识别任务。

关键创新：最重要的创新在于将多模态大语言模型与特征特定学习相结合，提供了更为有效的生物识别方案，克服了传统方法的局限性。

关键设计：在模型设计中，采用边际学习策略对预训练的人脸识别模型进行调整，优化了损失函数以适应额头皱纹特征的学习。具体参数设置和网络结构设计在实验中进行了详细验证。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，最佳的零-shot 模型 GPT-4o+FIRE 达到 18.22% 的 EER，而 Edge-Forehead 模型在开放集评估中实现了 8.30% 的 EER 和 54.01% 的 TMR@0.1% FMR，表明特征特定学习在额头皱纹识别中具有显著优势。

🎯 应用场景

该研究的潜在应用领域包括安全监控、身份验证和人机交互等场景，尤其是在面部部分遮挡的情况下，能够提供更为可靠的生物识别解决方案。未来，该方法可能推动生物识别技术在复杂环境下的广泛应用。

📄 摘要（原文）

Biometric recognition often degrades under partial facial vis- ibility, where conventional facial cues are occluded. The forehead region remains consistently visible and contains distinctive crease patterns that can serve as a complementary biometric trait. We present a unified eval- uation of forehead-crease recognition across explainable zero-shot rea- soning, domain-adaptive learning, and trait-specific modeling. FIRE en- ables interpretable zero-shot verification using multimodal large language models, while pretrained face-recognition models are adapted to the fore- head domain through margin-based learning. Under open-set evaluation, the best zero-shot model GPT-4o+FIRE achieves 18.22% EER, while Edge-Forehead achieves 8.30% EER and 54.01% TMR@0.1% FMR. The results show that although MLLMs offer interpretable zero-shot verifi- cation, trait-specific learning remains more effective for robust forehead- crease biometric recognition.