姿勢に依存しない特徴抽出エンコーダに、画質低下に関する特徴抽出エンコーダを追加し、それら2種類の特徴を入力とするデコーダ(生成器)に対し、真贋の識別器とは別個に、画質低下に関する識別器も用意して、これらと同定のための特徴抽出エンコーダを組み合わせて自己教師あり学習を行うDDGANを提案した。

CAVIER、MLR-CUHK03及びMLR-VIPeRのデータセットで解像度の異なる人物再同定を、MSMT17のデータセットで照明の異なる人物再同定を評価し、MLR-CUHK03のRank-5及びRank-10以外はSOTAの結果。

実世界への応用を意識したと取れる課題設定で、かつFD-GANを含む従来手法を上回る性能を示したため通ったと考えられる。