論文の概要: Cosmetic-Aware Makeup Cleanser

• arxiv url: http://arxiv.org/abs/2004.09147v1
• Date: Mon, 20 Apr 2020 09:18:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 18:47:23.169169
• Title: Cosmetic-Aware Makeup Cleanser
• Title（参考訳）: 化粧品用化粧品
• Authors: Yi Li, Huaibo Huang, Junchi Yu, Ran He, Tieniu Tan
• Abstract要約: 顔認証は、一対の顔画像が同一のアイデンティティに属するかどうかを判定することを目的としている。 最近の研究では、顔の化粧が検証性能に悪影響を及ぼすことが明らかになっている。 本稿では,異なるポーズや表情で顔の化粧を除去する意味認識型化粧清浄器(SAMC)を提案する。
• 参考スコア（独自算出の注目度）: 109.41917954315784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face verification aims at determining whether a pair of face images belongs to the same identity. Recent studies have revealed the negative impact of facial makeup on the verification performance. With the rapid development of deep generative models, this paper proposes a semanticaware makeup cleanser (SAMC) to remove facial makeup under different poses and expressions and achieve verification via generation. The intuition lies in the fact that makeup is a combined effect of multiple cosmetics and tailored treatments should be imposed on different cosmetic regions. To this end, we present both unsupervised and supervised semantic-aware learning strategies in SAMC. At image level, an unsupervised attention module is jointly learned with the generator to locate cosmetic regions and estimate the degree. At feature level, we resort to the effort of face parsing merely in training phase and design a localized texture loss to serve complements and pursue superior synthetic quality. The experimental results on four makeuprelated datasets verify that SAMC not only produces appealing de-makeup outputs at a resolution of 256*256, but also facilitates makeup-invariant face verification through image generation.
• Abstract（参考訳）: 顔認証は、一対の顔画像が同一人物かどうかを判定することを目的としている。 近年の研究では、顔の化粧が検証性能に及ぼす影響が明らかにされている。 深層生成モデルの急速な発展に伴い,異なるポーズや表現の下で顔の化粧を除去し,生成による検証を実現する意味認識型化粧清浄器 (SAMC) を提案する。 直感的なところは、化粧は複数の化粧品の複合効果であり、異なる化粧領域に調整された治療を課すべきであるという事実である。 この目的のために,SAMCにおける教師なしおよび教師なしのセマンティック・アウェアラーニング戦略を提示する。 画像レベルでは、未監視のアテンションモジュールをジェネレータと共同で学習し、化粧品領域を特定し、次数を推定する。 特徴レベルでは、学習段階にのみ顔解析を行い、補体を提供し、優れた合成品質を追求するために局所的なテクスチャ損失を設計する。 4つのメークアップ関連データセットの実験結果から,SAMCは256*256の解像度で魅力的なデメイクアップ出力を生成するだけでなく,画像生成によるメイクインバリアント顔認証を容易にする。

関連論文リスト

• DiffAM: Diffusion-based Adversarial Makeup Transfer for Facial Privacy Protection [60.73609509756533]
  DiffAMは、基準画像から対向的な化粧を施した高品質な顔画像を生成するための新しいアプローチである。 実験の結果、DiffAMはブラックボックス設定で12.98%上昇し、視覚的品質の向上と攻撃の成功率の向上を実現している。
  論文  参考訳（メタデータ） (2024-05-16T08:05:36Z)
• Stable-Makeup: When Real-World Makeup Transfer Meets Diffusion Model [35.01727715493926]
  現在のメークアップ転送方式は単純なメイクスタイルに限られており、現実のシナリオでは適用が困難である。 本研究では,多様な現実世界の化粧品を堅牢に転写できる新しい拡散型化粧品転写法であるStable-Makeupを紹介する。
  論文  参考訳（メタデータ） (2024-03-12T15:53:14Z)
• A Generalist FaceX via Learning Unified Facial Representation [77.74407008931486]
  FaceXは、多様な顔タスクを同時に処理できる新しい顔ジェネラリストモデルである。 汎用的なFaceXは、一般的な顔編集タスクの精巧なタスク特化モデルと比較して、競争性能が向上する。
  論文  参考訳（メタデータ） (2023-12-31T17:41:48Z)
• ProS: Facial Omni-Representation Learning via Prototype-based Self-Distillation [22.30414271893046]
  ProS(Prototype-based Self-Distillation)は、教師なし顔表現学習のための新しいアプローチである。 ProSは2つの視覚変換器(教師と生徒のモデル)で構成されており、異なるイメージで訓練されている。 ProSは、フルおよび数ショット設定の両方で、さまざまなタスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-11-03T14:10:06Z)
• SynFace: Face Recognition with Synthetic Data [83.15838126703719]
  我々は、ID混在(IM)とドメイン混在(DM)を併用したSynFaceを考案し、パフォーマンスギャップを緩和する。 また、合成顔画像の系統的実験分析を行い、合成データを顔認識に効果的に活用する方法についての知見を提供する。
  論文  参考訳（メタデータ） (2021-08-18T03:41:54Z)
• Pro-UIGAN: Progressive Face Hallucination from Occluded Thumbnails [53.080403912727604]
  Inpainting Generative Adversarial Network, Pro-UIGANを提案する。 顔の形状を利用して、隠された小さな顔の補充とアップサンプリング(8*)を行う。 Pro-UIGANは、HR面を視覚的に満足させ、下流タスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-08-02T02:29:24Z)
• PSGAN++: Robust Detail-Preserving Makeup Transfer and Removal [176.47249346856393]
  PSGAN++は、細部保存メイク転送と効果的なメイク除去の両方を実行することができる。 PSGAN++はメイクアップ・ディスティル・ネットワークを使用してメイクアップ情報を抽出する。 PSGAN++は化粧品の除去のためにアイデンティティ・ディスティル・ネットワーク(Identity Distill Network)を適用し、ウィットメイクアップ画像のID情報をアイデンティティ・マトリックスに埋め込む。
  論文  参考訳（メタデータ） (2021-05-26T04:37:57Z)
• Detection of Makeup Presentation Attacks based on Deep Face Representations [16.44565034551196]
  メークアップの応用は、いわゆるメイクアップ攻撃を開始するために悪用される。 化粧品の提示攻撃が顔認識システムのセキュリティに深刻な影響を及ぼす可能性が示唆された。 本稿では,実際の認証手法とメイクアップ攻撃を区別する攻撃検出手法を提案する。
  論文  参考訳（メタデータ） (2020-06-09T06:53:58Z)
• Local Facial Makeup Transfer via Disentangled Representation [18.326829657548025]
  そこで本稿では,顔画像の個人識別,リップメイクスタイル,アイメイクスタイル,フェイスメイクスタイルの4つの独立したコンポーネントに分割する,新しい対向ディエンタングネットワークを提案する。 我々の手法は、最先端の手法と比較して、より現実的で正確なメイク転送結果を生み出すことができる。
  論文  参考訳（メタデータ） (2020-03-27T00:25:13Z)

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。