論文の概要: SuperFront: From Low-resolution to High-resolution Frontal Face Synthesis

• arxiv url: http://arxiv.org/abs/2012.04111v1
• Date: Mon, 7 Dec 2020 23:30:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 21:19:18.669737
• Title: SuperFront: From Low-resolution to High-resolution Frontal Face Synthesis
• Title（参考訳）: superfront: 低解像度から高分解能の顔合成まで
• Authors: Yu Yin, Joseph P. Robinson, Songyao Jiang, Yue Bai, Can Qin, Yun Fu
• Abstract要約: 本稿では,前頭前頭部を保存した高品質なアイデンティティを生成できるGANモデルを提案する。 具体的には,高分解能(HR)面を1対多のLR面から様々なポーズで合成するSuperFront-GANを提案する。 超高解像度のサイドビューモジュールをSF-GANに統合し、人事空間におけるアイデンティティ情報とサイドビューの詳細を保存します。
• 参考スコア（独自算出の注目度）: 65.35922024067551
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advances in face rotation, along with other face-based generative tasks, are more frequent as we advance further in topics of deep learning. Even as impressive milestones are achieved in synthesizing faces, the importance of preserving identity is needed in practice and should not be overlooked. Also, the difficulty should not be more for data with obscured faces, heavier poses, and lower quality. Existing methods tend to focus on samples with variation in pose, but with the assumption data is high in quality. We propose a generative adversarial network (GAN) -based model to generate high-quality, identity preserving frontal faces from one or multiple low-resolution (LR) faces with extreme poses. Specifically, we propose SuperFront-GAN (SF-GAN) to synthesize a high-resolution (HR), frontal face from one-to-many LR faces with various poses and with the identity-preserved. We integrate a super-resolution (SR) side-view module into SF-GAN to preserve identity information and fine details of the side-views in HR space, which helps model reconstruct high-frequency information of faces (i.e., periocular, nose, and mouth regions). Moreover, SF-GAN accepts multiple LR faces as input, and improves each added sample. We squeeze additional gain in performance with an orthogonal constraint in the generator to penalize redundant latent representations and, hence, diversify the learned features space. Quantitative and qualitative results demonstrate the superiority of SF-GAN over others.
• Abstract（参考訳）: 顔の回転の進歩は他の顔ベースの生成タスクとともに、深層学習のトピックでさらに前進するにつれて頻繁に行われる。 顔の合成において印象的なマイルストーンを達成したとしても、アイデンティティを保つことの重要性は実際に必要であり、見過ごされてはならない。 また、不明瞭な顔、重いポーズ、そして品質の低いデータにとって、難しさはそれ以上ではない。 既存の手法では、ポーズのばらつきのあるサンプルに焦点を当てる傾向があるが、仮定データでは品質が高い。 本稿では,1つまたは複数の低解像度(LR)面を極端なポーズで保存する,高品質でアイデンティティを保ったGAN(Generative Adversarial Network)モデルを提案する。 具体的には,高分解能 (HR) の面を1対多のLR面から様々なポーズで合成し,その特徴を保存するスーパーフラントGAN (SF-GAN) を提案する。 我々は超高解像度(SR)サイドビューモジュールをSF-GANに統合し、HR空間の側面ビューの識別情報と詳細を保存し、顔の高周波情報(外眼、鼻、口の領域など)のモデル再構成を支援する。 さらに、SF-GANは複数のLR面を入力として受け入れ、各追加サンプルを改善する。 我々は、冗長な潜在表現をペナライズするためにジェネレータの直交制約により、パフォーマンスのさらなる向上を絞って、学習された特徴空間を多様化する。 SF-GANの定量的および定性的な結果は、他のものよりも優れていることを示している。

関連論文リスト

• CLR-Face: Conditional Latent Refinement for Blind Face Restoration Using Score-Based Diffusion Models [57.9771859175664]
  最近の生成優先法は、有望なブラインドフェイス修復性能を示している。 入力に忠実なきめ細かい顔の詳細を生成することは、依然として難しい問題である。 本稿では,VQGANアーキテクチャの内部に拡散型プライマーを導入し,非破壊な潜伏埋め込みにおける分布の学習に重点を置いている。
  論文  参考訳（メタデータ） (2024-02-08T23:51:49Z)
• Generalized Face Liveness Detection via De-spoofing Face Generator [58.7043386978171]
  以前のFace Anti-Spoofing (FAS) の作業は、目に見えない領域における一般化という課題に直面している。 De-spoofing Face Generator (DFG) によるモデル一般化を改善するために, 現実の顔を利用する Anomalous cue Guided FAS (AG-FAS) 方式を実行する。 次に,Anomalous cue Guided FAS feature extract Network (AG-Net)を提案する。
  論文  参考訳（メタデータ） (2024-01-17T06:59:32Z)
• FaceDancer: Pose- and Occlusion-Aware High Fidelity Face Swapping [62.38898610210771]
  そこで我々は,FaceDancerという顔のスワップとID転送のための新しい単一ステージ手法を提案する。 アダプティブ・フィーチャー・フュージョン・アテンション(AFFA)と解釈的特徴類似性規則化(IFSR)の2つの主要なコントリビューションがある。
  論文  参考訳（メタデータ） (2022-10-19T11:31:38Z)
• Joint Face Image Restoration and Frontalization for Recognition [79.78729632975744]
  現実世界のシナリオでは、大きなポーズ、悪い照明、低解像度、ぼやけ、ノイズなど、多くの要因が顔認識性能を損なう可能性がある。 それまでの努力は通常、まず品質の低い顔から高品質な顔に復元し、次に顔認識を行う。 与えられた低品質の顔からフロンダル化された高品質の顔を復元する多段階顔復元モデルを提案する。
  論文  参考訳（メタデータ） (2021-05-12T03:52:41Z)
• DotFAN: A Domain-transferred Face Augmentation Network for Pose and Illumination Invariant Face Recognition [94.96686189033869]
  本稿では,3次元モデルを用いたドメイン転送型顔強調ネットワーク(DotFAN)を提案する。 DotFANは、他のドメインから収集された既存のリッチフェイスデータセットから抽出された知識に基づいて、入力顔の一連の変種を生成することができる。 実験によると、DotFANは、クラス内の多様性を改善するために、小さな顔データセットを増やすのに有益である。
  論文  参考訳（メタデータ） (2020-02-23T08:16:34Z)

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。