编辑推荐：
为解决 2D 人脸识别局限性及公共数据集不足问题，研究人员开发 Uniss-MDF 数据集，采集超 7.6 万深度图像和视频，含受控与非受控条件数据。其是首个移动设备采集的 2D-3D 同步数据集，为动态人脸识别研究提供新平台。
在人工智能与计算机视觉高速发展的当下，人脸识别技术已深度融入日常生活，从手机解锁到公共安全监控，其重要性不言而喻。然而，传统 2D 人脸识别易受光照、角度等因素干扰，存在精度与鲁棒性不足的问题。与此同时，3D 人脸识别虽能弥补这些缺陷，但高质量 3D 数据采集成本高、设备复杂，且受隐私问题影响，公共可用的多维人脸数据集极为匮乏，严重制约了动态场景下人脸分析技术的发展。在此背景下，开展能够兼顾实用性与数据多样性的多维人脸数据集研究迫在眉睫。
为突破上述瓶颈，意大利萨萨里大学（University of Sassari）的研究人员开展了相关研究，旨在构建一个基于移动设备的多维人脸数据集，以推动动态环境下人脸分析与识别技术的进步。他们开发了 Uniss-MDF（Uniss-MultiDimensional Face）数据集，这是首个通过移动设备采集的 2D-3D 人脸数据集合。研究成果发表在《Computer Vision and Image Understanding》，为该领域的研究提供了重要的基础资源。
研究人员主要采用了以下关键技术方法：以 Apple iPad Pro 11”（第 4 代）为采集设备，利用其 TrueDepth 摄像头系统，结合红外点阵投影与红外相机获取深度数据；通过商用软件进行 3D 模型重建，生成 OBJ 格式的 3D 网格和纹理文件；在数据采集过程中，设计了受控与非受控两种环境，受控环境模拟实验室条件，由操作人员控制头部姿势和光照，非受控环境则由受试者自主采集，模拟日常移动设备使用场景；同时记录惯性测量单元（IMU）数据，用于轨迹重建与数据融合。
研究结果
数据集特性与对比分析
Uniss-MDF 包含来自 107 名受试者的超 76,000 帧深度图像、800 余张照片和视频，以及 600 多个 3D 重建模型。数据分为受控与非受控两种条件，受控条件下采集了正面和侧面光照的深度扫描及高质量照片，非受控条件包括自拍照片、视频和深度图像。与 26 个现有公开数据集对比显示，Uniss-MDF 是唯一使用移动设备采集、包含 2D-3D 同步序列且覆盖受控与非受控环境的数据集，在数据多样性、移动设备兼容性等方面具有显著优势。
实验协议与基线实验
研究提出了三项实验协议：单目深度估计、多维人脸识别和 3D 人脸重建评估。在单目深度估计中，采用 Dinov2 和 DPT 模型，结果显示 DPT 精度更高，Dinov2 平均误差更低；多维人脸识别实验中，基于 ArcFace 的 3D 识别性能优于 2D，ROC 曲线下面积（AUC）更高；3D 重建评估显示，正面光照重建误差为 24.18%，侧面光照因不均匀性误差达 29.55%。
数据应用与验证
Uniss-MDF 数据多样性支持多种应用，如数字安全访问的人脸识别、头部姿势变化的重建模型、基于深度数据的非正面识别等。基线实验结果为评估新模型提供了基准，验证了数据集在提升模型鲁棒性和环境适应性方面的价值。
研究结论与意义
Uniss-MDF 数据集的发布填补了移动设备采集多维人脸数据的空白，其包含的同步 2D-3D 数据、IMU 参数及多场景采集模式，为研究动态环境下的人脸分析提供了全面的资源。通过对比实验和基线研究，证实了数据集在提升识别精度、支持 3D 重建等方面的有效性。该研究不仅为学术界提供了新的 benchmark，还为移动设备生物识别、增强现实等应用场景奠定了基础，推动了人脸分析技术向更真实、更动态的场景迈进，对计算机视觉、生物特征识别等领域的发展具有重要的科学意义和实用价值。
