Fugu-MT 論文翻訳(概要): ACE-Net: Fine-Level Face Alignment through Anchors and Contours Estimation

論文の概要: ACE-Net: Fine-Level Face Alignment through Anchors and Contours Estimation

arxiv url: http://arxiv.org/abs/2012.01461v1
Date: Wed, 2 Dec 2020 19:04:12 GMT
ステータス: 処理完了
システム内更新日: 2021-05-25 03:55:26.325791
Title: ACE-Net: Fine-Level Face Alignment through Anchors and Contours Estimation
Title（参考訳）: ACE-Net:アンカーと輪郭推定によるファインレベル顔アライメント
Authors: Jihua Huang, Amir Tamrakar
Abstract要約: ファインレベル顔アライメントタスクのための新しい顔アンカーと輪郭推定フレームワークACE-Netを提案する。我々は、ACE-Netが追加アノテーションを必要とせずに既存の顔ランドマークデータセットから学習できる弱教師付き損失を導入した。 ACE-Netはランドマークレベルの性能を損なうことなく,ランドマークベースモデルよりもファインレベルの顔アライメント精度を著しく向上することを示す。
参考スコア（独自算出の注目度）: 6.447052211404121
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel facial Anchors and Contours Estimation framework, ACE-Net, for fine-level face alignment tasks. ACE-Net predicts facial anchors and contours that are richer than traditional facial landmarks and more accurate than facial boundaries. In addition, it does not suffer from the ambiguities and inconsistencies in facial-landmarks definitions. We introduce a weakly supervised loss enabling ACE-Net to learn from existing facial landmarks datasets without the need for extra annotations. Synthetic data is also used during training to bridge the density gap between landmarks annotation and true facial contours. We evaluate ACE-Net on commonly used face alignment datasets 300-W and HELEN, and show that ACE-Net achieves significantly higher fine-level face alignment accuracy than landmarks based models, without compromising its performance at the landmarks level. The proposed ACE-Net framework does not rely on any specific network architecture and thus can be applied on top of existing face alignment models for finer face alignment representation.
Abstract（参考訳）: ファインレベル顔アライメントタスクのための新しい顔アンカーと輪郭推定フレームワークACE-Netを提案する。 ACE-Netは、従来の顔のランドマークよりも豊かで、顔の境界よりも正確である顔アンカーと輪郭を予測する。加えて、顔のランドマークの定義の曖昧さや不一致に苦しむことはない。我々は、ACE-Netが追加アノテーションを必要とせずに既存の顔ランドマークデータセットから学習できる弱教師付き損失を導入した。合成データは訓練中に、ランドマークアノテーションと真の顔輪郭の間の密度ギャップを橋渡しするためにも用いられる。我々は、一般的に使われている顔アライメントデータセット300-WとHELEN上でACE-Netを評価し、ACE-Netがランドマークベースモデルよりもはるかに高い精細な顔アライメント精度を達成できることを示す。提案するACE-Netフレームワークは,特定のネットワークアーキテクチャに依存せず,既存の顔アライメントモデル上に適用することで,より微細な顔アライメント表現を実現する。

関連論文リスト

Face Shape-Guided Deep Feature Alignment for Face Recognition Robust to Face Misalignment [32.53066213465744]
顔認識(FR)はコンピュータビジョンとパターン認識社会において活発に研究されている。近年、ディープラーニングの進歩により、FR技術はベンチマークデータセットの大部分で高いパフォーマンスを示している。しかし、FRアルゴリズムが現実世界のシナリオに適用されると、その性能は未だに満足できないことが知られている。
論文参考訳（メタデータ） (2022-09-15T11:23:51Z)
Latents2Segments: Disentangling the Latent Space of Generative Models for Semantic Segmentation of Face Images [29.496302682744133]
我々は、SOTAマルチクラス顔分割モデルで必要とされる事前処理や複雑な前処理処理を廃止する。本稿では,CelebAMask-HQおよびHELENデータセットにおけるモデルの性能について述べる。
論文参考訳（メタデータ） (2022-07-05T08:09:15Z)
SFace: Sigmoid-Constrained Hypersphere Loss for Robust Face Recognition [74.13631562652836]
SFace(Sigmoid-Constrained hypersphere loss)と呼ばれる新しい損失関数を提案する。 SFaceは2つのシグモイド勾配再スケール関数によってそれぞれ制御される超球面多様体にクラス内およびクラス間制約を課す。クラス内距離を減らし、ラベルノイズへの過度な適合を防ぎ、より堅牢なディープ顔認識モデルに寄与する。
論文参考訳（メタデータ） (2022-05-24T11:54:15Z)
FaceOcc: A Diverse, High-quality Face Occlusion Dataset for Human Face Extraction [3.8502825594372703]
隠蔽は野生の顔画像にしばしば発生し、ランドマーク検出や3D再構成、顔認識といった顔関連の課題に悩まされる。本稿では,CelebA本社とインターネットから手動で顔の隠蔽をラベル付けした新しい顔のセグメンテーションデータセットを提案する。簡単な顔分割モデルの訓練を行ったが,SOTA性能が得られ,提案したデータセットの有効性を実証した。
論文参考訳（メタデータ） (2022-01-20T19:44:18Z)
FaceTuneGAN: Face Autoencoder for Convolutional Expression Transfer Using Neural Generative Adversarial Networks [0.7043489166804575]
顔の識別と表情を分離して符号化する新しい3次元顔モデル表現であるFaceTuneGANを提案する。本稿では,2次元領域で使用されている画像と画像の変換ネットワークを3次元顔形状に適応させる手法を提案する。
論文参考訳（メタデータ） (2021-12-01T14:42:03Z)
SphereFace Revived: Unifying Hyperspherical Face Recognition [57.07058009281208]
我々は,超球面顔認識において,大きな角マージンを理解するための統一的な枠組みを導入する。このフレームワークでは,SphereFace-Rという,トレーニングの安定性が大幅に向上した改良版を提案する。我々は、SphereFace-Rが最先端の手法よりも一貫して優れているか、競合していることを示す。
論文参考訳（メタデータ） (2021-09-12T17:07:54Z)
Learning to Aggregate and Personalize 3D Face from In-the-Wild Photo Collection [65.92058628082322]
非パラメトリックフェースモデリングは形状仮定なしで画像からのみ3次元フェースを再構成することを目的としている。本稿では,教師なしのロバストな3次元顔モデリングのための学習・アグリゲート・パーソナライズ・フレームワークを提案する。
論文参考訳（メタデータ） (2021-06-15T03:10:17Z)
Face-GCN: A Graph Convolutional Network for 3D Dynamic Face Identification/Recognition [21.116748155592752]
顔のキーポイントに基づく動的3次元顔認識のための新しいフレームワークを提案する。表情の動的列は時間グラフとして表現され、3次元の顔のランドマークを用いて構築される。我々は,動的3次元表情データセットに対するアプローチを評価する。
論文参考訳（メタデータ） (2021-04-19T09:05:39Z)
InterFaceGAN: Interpreting the Disentangled Face Representation Learned by GANs [73.27299786083424]
我々は、最先端のGANモデルによって学習された不整合顔表現を解釈するInterFaceGANというフレームワークを提案する。まず、GANは潜在空間の線型部分空間で様々な意味学を学ぶ。次に、異なる意味論間の相関関係について詳細な研究を行い、部分空間射影を通してそれらをよりよく解離させる。
論文参考訳（メタデータ） (2020-05-18T18:01:22Z)
Learning Oracle Attention for High-fidelity Face Completion [121.72704525675047]
U-Net構造に基づく顔補完のための包括的フレームワークを設計する。複数のスケールで顔のテクスチャ間の相関関係を効率よく学習する双対空間アテンションモジュールを提案する。顔成分の位置を事前の知識として捉え,これらの領域に複数識別器を課す。
論文参考訳（メタデータ） (2020-03-31T01:37:10Z)
Face Hallucination with Finishing Touches [65.14864257585835]
本稿では,超解像とフロンティア化を同時に行うVivid Face Hallucination Generative Adversarial Network (VividGAN)を提案する。 VividGANは粗いレベルと細かなレベルのFace Hallucination Networks (FHnet)と、粗いDとファインDの2つの識別器で構成されている。実験により、VvidGANは、フォトリアリスティックな正面HR面を達成し、下流タスクにおいて優れた性能を達成できることが示された。
論文参考訳（メタデータ） (2020-02-09T07:33:48Z)

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。