論文の概要: PFA-GAN: Progressive Face Aging with Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2012.03459v1
• Date: Mon, 7 Dec 2020 05:45:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 21:24:32.793414
• Title: PFA-GAN: Progressive Face Aging with Generative Adversarial Network
• Title（参考訳）: pfa-gan: 生成的adversarial networkを用いたプログレッシブフェイスエイジング
• Authors: Zhizhong Huang, Shouzhen Chen, Junping Zhang, Hongming Shan
• Abstract要約: 本論文では,PFA-GANを基盤とした新しい顔老化フレームワークを提案する。 このフレームワークは、蓄積されたアーティファクトと曖昧さを取り除くために、エンドツーエンドでトレーニングすることができる。 実験により,既存の (c) GANs 法よりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 19.45760984401544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face aging is to render a given face to predict its future appearance, which plays an important role in the information forensics and security field as the appearance of the face typically varies with age. Although impressive results have been achieved with conditional generative adversarial networks (cGANs), the existing cGANs-based methods typically use a single network to learn various aging effects between any two different age groups. However, they cannot simultaneously meet three essential requirements of face aging -- including image quality, aging accuracy, and identity preservation -- and usually generate aged faces with strong ghost artifacts when the age gap becomes large. Inspired by the fact that faces gradually age over time, this paper proposes a novel progressive face aging framework based on generative adversarial network (PFA-GAN) to mitigate these issues. Unlike the existing cGANs-based methods, the proposed framework contains several sub-networks to mimic the face aging process from young to old, each of which only learns some specific aging effects between two adjacent age groups. The proposed framework can be trained in an end-to-end manner to eliminate accumulative artifacts and blurriness. Moreover, this paper introduces an age estimation loss to take into account the age distribution for an improved aging accuracy, and proposes to use the Pearson correlation coefficient as an evaluation metric measuring the aging smoothness for face aging methods. Extensively experimental results demonstrate superior performance over existing (c)GANs-based methods, including the state-of-the-art one, on two benchmarked datasets. The source code is available at~\url{https://github.com/Hzzone/PFA-GAN}.
• Abstract（参考訳）: フェイスエイジング(英: face aging)とは、顔の外観が年齢によって異なるため、情報法医学やセキュリティ分野において重要な役割を果たす顔の出現を予測することである。 条件付き生成対向ネットワーク(cGANs)で顕著な結果が得られたが、既存のcGANsベースの手法は、通常、1つのネットワークを使用して、2つの異なる年齢グループ間の様々な加齢効果を学習する。 しかし、画像の品質、老化精度、アイデンティティ保存の3つの必須要件を同時に満たすことができず、年齢差が大きいと強いゴーストアーティファクトを持つ老化顔を生成するのが普通である。 本稿では, 顔の経時的変化に触発されて, 創発的adversarial network (pfa-gan) を基盤とした新しいプログレッシブ・フェイスエイジング・フレームワークを提案する。 既存のcGANの手法とは異なり、提案フレームワークには、顔の老化過程を若者から高齢者まで模倣するサブネットワークがいくつか含まれており、それぞれが隣接する2つの年齢グループ間で特定の老化効果を学習するのみである。 提案するフレームワークは,累積アーティファクトや曖昧さを排除するために,エンドツーエンドでトレーニングすることができる。 さらに,老化精度向上のための年齢分布を考慮した年齢推定損失について述べるとともに,ピアソン相関係数を顔の老化平滑度評価指標として用いることを提案する。 大規模な実験の結果は、2つのベンチマークデータセット上で既存の(c)GANベースの手法よりも優れた性能を示す。 ソースコードは~\url{https://github.com/Hzzone/PFA-GAN}で入手できる。

関連論文リスト

• DiffAge3D: Diffusion-based 3D-aware Face Aging [61.3027596093854]
  本稿では,DiffAge3Dを提案する。DiffAge3Dは3D設定で忠実な老化とアイデンティティ保存を行う最初の3D対応高齢化フレームワークである。 我々のフレームワークは、トレーニング済みの3D GANを利用して、堅牢な3D対応老化データセット生成パイプラインを含む。 DiffAge3Dは既存の手法、特にマルチビューの老朽化や細部保存において優れることを示す。
  論文  参考訳（メタデータ） (2024-08-28T16:36:09Z)
• Pluralistic Aging Diffusion Autoencoder [63.50599304294062]
  顔の老化は、複数のプラプシブルな老化パターンが与えられた入力に対応する可能性があるため、不適切な問題である。 本稿では,CLIP駆動型多言語時効拡散オートエンコーダを提案する。
  論文  参考訳（メタデータ） (2023-03-20T13:20:14Z)
• When Age-Invariant Face Recognition Meets Face Age Synthesis: A Multi-Task Learning Framework and A New Benchmark [45.31997043789471]
  MTLFaceは、モデル解釈のための表情合成を行いながら、年齢不変の識別関連表現を顔認識のために学習することができる。 我々は、年齢と性別のアノテーションを備えた大規模な顔データセットと、長寿児の追跡に特化して設計された新しいベンチマークをリリースする。
  論文  参考訳（メタデータ） (2022-10-17T07:04:19Z)
• A Unified Framework for Biphasic Facial Age Translation with Noisy-Semantic Guided Generative Adversarial Networks [54.57520952117123]
  バイファシックな顔の年齢変換は、任意の年齢における入力顔の出現を予測することを目的としている。 本稿では,ノイズ・セマンティック誘導合成対向ネットワークを用いた二相性顔面年齢変換のための統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-09-15T15:30:35Z)
• FP-Age: Leveraging Face Parsing Attention for Facial Age Estimation in the Wild [50.8865921538953]
  年齢推定に顔のセマンティクスを明示的に組み込む手法を提案する。 我々は,顔解析に基づくネットワークを設計し,異なるスケールで意味情報を学習する。 提案手法は,既存の年齢推定手法を常に上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-21T14:31:32Z)
• Continuous Face Aging via Self-estimated Residual Age Embedding [8.443742714362521]
  本稿では,線形年齢推定器をGANモデルに組み込む統一ネットワーク構造を提案する。 埋め込み年齢推定器は、エンコーダおよびデコーダとの共同訓練を行い、顔画像の年齢を推定する。 パーソナライズされた目標年齢埋め込みは、現在の年齢のパーソナライズされた残存年齢埋め込みと、目標年齢の老化ベースの両方を組み込んで合成される。
  論文  参考訳（メタデータ） (2021-04-30T18:06:17Z)
• When Age-Invariant Face Recognition Meets Face Age Synthesis: A Multi-Task Learning Framework [20.579282497730944]
  MTLFaceは、顔合成を楽しみながら、年齢不変のアイデンティティ関連表現を学習することができる。 グループレベルのfasを実現する従来のone-hotエンコーディングとは対照的に,アイデンティティレベルfasを実現するための新しいid条件モジュールを提案する。 5つのベンチマーククロスエイジデータセットに対する大規模な実験は、提案したMTLFaceの優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T07:03:27Z)
• Continuous Face Aging Generative Adversarial Networks [11.75204350455584]
  顔の老化は、入力画像の顔を指定された年齢に翻訳することを目的としたタスクです。 それまでの方法は、それぞれが10年からなる離散年齢群を生成できるだけに限られていた。 CFA-GAN (Continuous face aging generative adversarial Network) を提案する。
  論文  参考訳（メタデータ） (2021-02-26T06:22:25Z)
• Age Gap Reducer-GAN for Recognizing Age-Separated Faces [72.26969872180841]
  本稿では,年齢変化に伴う顔と時間変化をマッチングする新しいアルゴリズムを提案する。 提案手法は,顔の年齢推定と年齢別顔の検証を組み合わせた統合フレームワークである。
  論文  参考訳（メタデータ） (2020-11-11T16:43:32Z)

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。