Fugu-MT 論文翻訳(概要): SDD-FIQA: Unsupervised Face Image Quality Assessment with Similarity Distribution Distance

論文の概要: SDD-FIQA: Unsupervised Face Image Quality Assessment with Similarity Distribution Distance

arxiv url: http://arxiv.org/abs/2103.05977v1
Date: Wed, 10 Mar 2021 10:23:28 GMT
ステータス: 処理完了
システム内更新日: 2021-03-12 13:36:38.991818
Title: SDD-FIQA: Unsupervised Face Image Quality Assessment with Similarity Distribution Distance
Title（参考訳）: SDD-FIQA:類似分布距離を用いた教師なし顔画像品質評価
Authors: Fu-Zhao Ou, Xingyu Chen, Ruixin Zhang, Yuge Huang, Shaoxin Li, Jilin Li, Yong Li, Liujuan Cao, and Yuan-Gen Wang
Abstract要約: 顔画像品質評価(FIQA)は顔認識システムの不可欠な部分となっています。顔画像品質評価(SDD-FIQA)に類似度分布距離を組み込んだ新しい非監視FIQA法を提案する。本手法は,クラス内類似度分布とクラス間類似度分布の間のWasserstein Distanceを計算することにより,品質疑似ラベルを生成する。
参考スコア（独自算出の注目度）: 25.109321001368496
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In recent years, Face Image Quality Assessment (FIQA) has become an indispensable part of the face recognition system to guarantee the stability and reliability of recognition performance in an unconstrained scenario. For this purpose, the FIQA method should consider both the intrinsic property and the recognizability of the face image. Most previous works aim to estimate the sample-wise embedding uncertainty or pair-wise similarity as the quality score, which only considers the information from partial intra-class. However, these methods ignore the valuable information from the inter-class, which is for estimating to the recognizability of face image. In this work, we argue that a high-quality face image should be similar to its intra-class samples and dissimilar to its inter-class samples. Thus, we propose a novel unsupervised FIQA method that incorporates Similarity Distribution Distance for Face Image Quality Assessment (SDD-FIQA). Our method generates quality pseudo-labels by calculating the Wasserstein Distance (WD) between the intra-class similarity distributions and inter-class similarity distributions. With these quality pseudo-labels, we are capable of training a regression network for quality prediction. Extensive experiments on benchmark datasets demonstrate that the proposed SDD-FIQA surpasses the state-of-the-arts by an impressive margin. Meanwhile, our method shows good generalization across different recognition systems.
Abstract（参考訳）: 近年、顔画像品質評価(FIQA)は、制約のないシナリオにおける認識性能の安定性と信頼性を保証するために、顔認識システムの不可欠な部分となっています。この目的のために、FIQAメソッドは、本質的特性と顔画像の認識可能性の両方を考慮するべきである。先行研究のほとんどは,部分的クラス内情報のみを考慮に入れた質スコアとして,サンプル単位の埋め込み不確実性やペア単位の類似性を推定することを目的としている。しかし、これらの方法は、顔画像の認識可能性を推定するためのクラス間の貴重な情報を無視します。本研究では,高品質な顔画像はクラス内サンプルと類似し,クラス間サンプルと相似であるべきだと論じる。そこで本稿では,顔画像品質評価のための類似度分布距離(SDD-FIQA)を組み込んだ新しい教師なしFIQA手法を提案する。本手法は,クラス内類似度分布とクラス間類似度分布の間のWasserstein Distance (WD)を計算することにより,品質疑似ラベルを生成する。これらの品質疑似ラベルにより、品質予測のための回帰ネットワークのトレーニングが可能です。ベンチマークデータセットに関する広範な実験は、提案されたSDD-FIQAが最先端を圧倒的なマージンで上回っていることを示しています。一方,本手法は異なる認識システムにまたがって優れた一般化を示す。

関連論文リスト

Rank-based No-reference Quality Assessment for Face Swapping [88.53827937914038]
顔スワップ法における品質測定の基準は、操作された画像とソース画像の間のいくつかの距離に依存する。顔スワップ用に設計された新しい非参照画像品質評価法(NR-IQA)を提案する。
論文参考訳（メタデータ） (2024-06-04T01:36:29Z)
Adaptive Image Quality Assessment via Teaching Large Multimodal Model to Compare [99.57567498494448]
我々はLMMに基づくノン参照IQAモデルであるCompare2Scoreを紹介する。トレーニング中、同じIQAデータセットの画像を比較することで、スケールアップ比較命令を生成する。 9つのIQAデータセットの実験により、Compare2Scoreは、トレーニング中にテキスト定義の比較レベルを効果的にブリッジすることを確認した。
論文参考訳（メタデータ） (2024-05-29T17:26:09Z)
Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
論文参考訳（メタデータ） (2024-04-23T11:45:32Z)
Pairwise Comparisons Are All You Need [22.798716660911833]
ブラインド画像品質評価(BIQA)アプローチは、様々な画像に一様に適用される一般的な品質基準に依存しているため、現実のシナリオでは不足することが多い。本稿では、従来のBIQAの制限を回避すべく設計されたペアワイズ比較フレームワークであるPICNIQを紹介する。 PICNIQは、サイコメトリックスケーリングアルゴリズムを用いることで、対比較をジャストオブジェクタブルディファレンス(JOD)の品質スコアに変換し、画像品質の粒度と解釈可能な指標を提供する。
論文参考訳（メタデータ） (2024-03-13T23:43:36Z)
FaceQgen: Semi-Supervised Deep Learning for Face Image Quality Assessment [19.928262020265965]
FaceQgenは、ジェネレーティブ・アドバイサル・ネットワークに基づく顔画像の非参照品質評価手法である。顔認識精度に関連するスカラー品質尺度を生成する。 SCfaceデータベースを使用して、スクラッチからトレーニングされる。
論文参考訳（メタデータ） (2022-01-03T17:22:38Z)
CR-FIQA: Face Image Quality Assessment by Learning Sample Relative Classifiability [2.3624125155742055]
本稿では,学習過程における内部ネットワーク観測を学習する新しい学習パラダイムを提案する。提案するCR-FIQAは,このパラダイムを用いて,サンプルの顔画像品質を,その相対的分類可能性の予測により推定する。本研究では, 最先端(SOTA) FIQAアルゴリズムよりもCR-FIQAの方が優れていることを示す。
論文参考訳（メタデータ） (2021-12-13T12:18:43Z)
QMagFace: Simple and Accurate Quality-Aware Face Recognition [5.5284501467256515]
本稿では,QMag-Face(QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face)を提案する。いくつかの顔認識データベースとベンチマークで実施された実験は、導入された品質認識が認識性能を一貫した改善をもたらすことを示した。
論文参考訳（メタデータ） (2021-11-26T12:44:54Z)
No-Reference Image Quality Assessment by Hallucinating Pristine Features [24.35220427707458]
本稿では,特徴レベルの擬似参照(PR)幻覚を用いた非参照画像品質評価(IQA)手法を提案する。提案手法の有効性を4つのIQAデータベースで実証した。
論文参考訳（メタデータ） (2021-08-09T16:48:34Z)
Uncertainty-Aware Few-Shot Image Classification [118.72423376789062]
ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
論文参考訳（メタデータ） (2020-10-09T12:26:27Z)
Inducing Predictive Uncertainty Estimation for Face Recognition [102.58180557181643]
顔画像の「マッドペア」から画像品質訓練データを自動的に生成する手法を提案する。生成したデータを用いて、顔画像の信頼度を推定するために、PCNetと呼ばれる軽量な予測信頼ネットワークを訓練する。
論文参考訳（メタデータ） (2020-09-01T17:52:00Z)
Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and Wild [98.48284827503409]
我々は,テキスト化BIQAモデルを開発し,それを合成的および現実的歪みの両方で訓練するアプローチを提案する。我々は、多数の画像ペアに対してBIQAのためのディープニューラルネットワークを最適化するために、忠実度損失を用いる。 6つのIQAデータベースの実験は、実験室と野生動物における画像品質を盲目的に評価する学習手法の可能性を示唆している。
論文参考訳（メタデータ） (2020-05-28T13:35:23Z)

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。