論文の概要: Exploiting Semantics for Face Image Deblurring

• arxiv url: http://arxiv.org/abs/2001.06822v2
• Date: Mon, 6 Apr 2020 06:00:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-08 12:37:27.544126
• Title: Exploiting Semantics for Face Image Deblurring
• Title（参考訳）: 顔画像の劣化に対する爆発的セマンティックス
• Authors: Ziyi Shen, Wei-Sheng Lai, Tingfa Xu, Jan Kautz, and Ming-Hsuan Yang
• Abstract要約: 本稿では,深層畳み込みニューラルネットワークによる意味的手がかりを利用して,効果的かつ効率的な顔分解アルゴリズムを提案する。 顔のセマンティックラベルを入力先として組み込んで,顔の局所構造を正規化するための適応的構造損失を提案する。 提案手法は、より正確な顔の特徴と細部を持つシャープ画像を復元する。
• 参考スコア（独自算出の注目度）: 121.44928934662063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose an effective and efficient face deblurring algorithm by exploiting semantic cues via deep convolutional neural networks. As the human faces are highly structured and share unified facial components (e.g., eyes and mouths), such semantic information provides a strong prior for restoration. We incorporate face semantic labels as input priors and propose an adaptive structural loss to regularize facial local structures within an end-to-end deep convolutional neural network. Specifically, we first use a coarse deblurring network to reduce the motion blur on the input face image. We then adopt a parsing network to extract the semantic features from the coarse deblurred image. Finally, the fine deblurring network utilizes the semantic information to restore a clear face image. We train the network with perceptual and adversarial losses to generate photo-realistic results. The proposed method restores sharp images with more accurate facial features and details. Quantitative and qualitative evaluations demonstrate that the proposed face deblurring algorithm performs favorably against the state-of-the-art methods in terms of restoration quality, face recognition and execution speed.
• Abstract（参考訳）: 本稿では, 深層畳み込みニューラルネットワークによる意味的手がかりを利用した, 効果的かつ効率的なフェースデブロアリングアルゴリズムを提案する。 人間の顔は高度に構造化され、統合された顔成分(例えば、目と口)を共有しているため、このような意味情報は回復の強い前兆となる。 顔意味ラベルを入力優先として組み込んで,エンドツーエンドの深層畳み込みニューラルネットワーク内で顔局所構造を規則化する適応的構造損失を提案する。 具体的には、まず粗いデブロアリングネットワークを用いて、入力された顔画像の運動ぼやけを低減する。 次に,粗い画像から意味的特徴を抽出する解析ネットワークを採用する。 そして、その意味情報を利用して鮮明な顔画像の復元を行う。 我々は、知覚的および敵対的損失を伴うネットワークを訓練し、フォトリアリスティックな結果を生成する。 提案手法はシャープな画像をより正確な顔特徴と詳細で復元する。 定量的および定性的な評価により,提案手法は修復品質,顔認識,実行速度の観点から,最先端の手法に対して良好に動作することが示された。

関連論文リスト

• A survey on facial image deblurring [3.6775758132528877]
  顔画像がぼやけていると、顔認識などのハイレベルな視覚タスクに大きな影響を与えます。 本稿では,最近発表された顔画像の難読化手法について概説し,その大部分はディープラーニングに基づくものである。 本稿では,データセットとメトリクスにおける古典的手法の性能を示すとともに,モデルに基づく手法と学習に基づく手法の違いについて,簡単な議論を行う。
  論文  参考訳（メタデータ） (2023-02-10T02:24:56Z)
• Multi-Prior Learning via Neural Architecture Search for Blind Face Restoration [61.27907052910136]
  Blind Face Restoration (BFR)は、高品質な顔画像から高品質な顔画像を復元することを目的としている。 1)手動チューニングを伴わない強力なネットワークアーキテクチャの導出方法,2) 複数の顔前者からの補完情報を1つのネットワークで取得して復元性能を向上させる方法,の2つの大きな課題がある。 特定検索空間内において,適切な特徴抽出アーキテクチャを適応的に探索する顔復元検索ネットワーク(FRSNet)を提案する。
  論文  参考訳（メタデータ） (2022-06-28T12:29:53Z)
• Human Face Recognition from Part of a Facial Image based on Image Stitching [0.0]
  現在の顔認識技術のほとんどは、認識される人物の完全な顔の存在を必要とする。 そこで本研究では,欠損部を画像に示す部分のフリップで縫合する工程を採用した。 ここで適用された顔認識アルゴリズムは固有顔と幾何学的手法である。
  論文  参考訳（メタデータ） (2022-03-10T19:31:57Z)
• Face Deblurring Based on Separable Normalization and Adaptive Denormalization [25.506065804812522]
  Face Deblurringは、より明示的な構造と顔の詳細で、ぼやけた入力画像から透明な顔イメージを復元することを目的としている。 我々は、分離可能な正規化と適応的な非正規化に基づく効果的な顔分解ネットワークを設計する。 CelebAとCelebA-HQの両方のデータセットの実験結果から、提案した顔劣化ネットワークは、より詳細な顔構造を復元することが示された。
  論文  参考訳（メタデータ） (2021-12-18T03:42:23Z)
• TANet: A new Paradigm for Global Face Super-resolution via Transformer-CNN Aggregation Network [72.41798177302175]
  本稿では, 顔構造特徴の表現能力を完全に探求する自己認識機構(すなわち Transformer のコア)に基づく新しいパラダイムを提案する。 具体的には、2つの経路からなるTransformer-CNNアグリゲーションネットワーク(TANet)を設計する。 上記の2つの経路から特徴を集約することにより、グローバルな顔の構造の整合性と局所的な顔のディテール復元の忠実度を同時に強化する。
  論文  参考訳（メタデータ） (2021-09-16T18:15:07Z)
• End2End Occluded Face Recognition by Masking Corrupted Features [82.27588990277192]
  最先端の一般的な顔認識モデルは、隠蔽された顔画像に対してうまく一般化しない。 本稿では,1つのエンドツーエンドのディープニューラルネットワークに基づいて,オクルージョンに頑健な新しい顔認識手法を提案する。 我々のアプローチは、深い畳み込みニューラルネットワークから破損した特徴を発見し、動的に学習されたマスクによってそれらをきれいにする。
  論文  参考訳（メタデータ） (2021-08-21T09:08:41Z)
• Network Architecture Search for Face Enhancement [82.25775020564654]
  我々は、NASFE(Network Architecture Search for Face Enhancement)と呼ばれるマルチタスクの顔復元ネットワークを提案する。 NASFEは、単一の劣化(すなわち)を含む低品質の顔画像を高めることができる。 ノイズまたはぼやけ)または複数の劣化(ノイズ+ブラル+ローライト)
  論文  参考訳（メタデータ） (2021-05-13T19:46:05Z)
• Structure-Preserving Progressive Low-rank Image Completion for Defending Adversarial Attacks [20.700098449823024]
  ディープニューラルネットワークは、局所的な画像の詳細を分析し、推論層に沿って情報を要約することでオブジェクトを認識し、最終的な決定を導出する。 入力画像の小さな洗練されたノイズは、ネットワーク推測経路に沿って蓄積し、ネットワーク出力で間違った決定を下すことができる。 人間の目は、ローカルイメージテクスチャではなく、グローバルな構造とセマンティックなキューに基づいてオブジェクトを認識します。
  論文  参考訳（メタデータ） (2021-03-04T01:24:15Z)
• Do We Need Depth in State-Of-The-Art Face Authentication? [8.755493949976492]
  本研究では,顔表面や深度マップを明示的に計算することなく,ステレオカメラシステムから顔を認識する新しい手法を提案する。 原顔ステレオ画像は、顔が抽出された画像の位置とともに、提案したCNNが認識タスクを改善することができる。 提案手法は,大規模ベンチマークにおいて,単一画像と明示的深度に基づく手法の両方に優れることを示した。
  論文  参考訳（メタデータ） (2020-03-24T14:51:25Z)
• Joint Deep Learning of Facial Expression Synthesis and Recognition [97.19528464266824]
  顔表情の合成と認識を効果的に行うための新しい統合深層学習法を提案する。 提案手法は, 2段階の学習手順を伴い, まず, 表情の異なる顔画像を生成するために, 表情合成生成対向ネットワーク (FESGAN) を事前訓練する。 実画像と合成画像間のデータバイアスの問題を軽減するために,新しい実データ誘導バックプロパゲーション(RDBP)アルゴリズムを用いたクラス内損失を提案する。
  論文  参考訳（メタデータ） (2020-02-06T10:56:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。