Fugu-MT 論文翻訳(概要): CelebHair: A New Large-Scale Dataset for Hairstyle Recommendation based on CelebA

論文の概要: CelebHair: A New Large-Scale Dataset for Hairstyle Recommendation based on CelebA

arxiv url: http://arxiv.org/abs/2104.06885v1
Date: Wed, 14 Apr 2021 14:26:37 GMT
ステータス: 処理完了
システム内更新日: 2021-04-15 13:35:44.500414
Title: CelebHair: A New Large-Scale Dataset for Hairstyle Recommendation based on CelebA
Title（参考訳）: CelebHair: CelebAに基づいたヘアスタイル勧告のための大規模データセット
Authors: Yutao Chen, Yuxuan Zhang, Zhongrui Huang, Zhenyao Luo, Jinpeng Chen
Abstract要約: 本稿では,セレブの顔属性データセットcelebaに基づいて,ヘアスタイル推薦のための新しいデータセットcelebhairを提案する。私たちのデータセットは、CelebAの美容関連顔の属性と共に顔画像の大半を継承しました。
参考スコア（独自算出の注目度）: 4.103598036312231
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In this paper, we present a new large-scale dataset for hairstyle recommendation, CelebHair, based on the celebrity facial attributes dataset, CelebA. Our dataset inherited the majority of facial images along with some beauty-related facial attributes from CelebA. Additionally, we employed facial landmark detection techniques to extract extra features such as nose length and pupillary distance, and deep convolutional neural networks for face shape and hairstyle classification. Empirical comparison has demonstrated the superiority of our dataset to other existing hairstyle-related datasets regarding variety, veracity, and volume. Analysis and experiments have been conducted on the dataset in order to evaluate its robustness and usability.
Abstract（参考訳）: 本稿では,セレブの顔属性データセットcelebaに基づいて,ヘアスタイル推薦のための大規模データセットcelebhairを提案する。我々のデータセットはCelebAの顔の特徴とともに顔画像の大部分を継承した。さらに, 顔形状や髪型分類のための深部畳み込みニューラルネットワークを用いて, 鼻の長さや瞳孔距離などの余分な特徴を抽出した。経験的比較により,本データセットは,他のヘアスタイル関連データセットと比較して,多様性,妥当性,容積に関する優位性を示した。その堅牢性とユーザビリティを評価するために,データセットの解析と実験を行った。

関連論文リスト

Hairmony: Fairness-aware hairstyle classification [10.230933455074634]
本稿では,人物の髪型を1つの画像から予測する手法を提案する。モデルをトレーニングするために、合成データのみを使用します。ドメインエキスパートの多様なグループと共同で開発された,新しい髪型分類法を導入する。
論文参考訳（メタデータ） (2024-10-15T12:00:36Z)
DiffusionFace: Towards a Comprehensive Dataset for Diffusion-Based Face Forgery Analysis [71.40724659748787]
DiffusionFaceは、最初の拡散ベースのフェイスフォージェリーデータセットである。非条件およびテキストガイドの顔画像生成、Img2Img、Inpaint、Diffusionベースの顔交換アルゴリズムなど、さまざまなフォージェリーカテゴリをカバーする。重要なメタデータと、評価のための実世界のインターネットソースの偽顔画像データセットを提供する。
論文参考訳（メタデータ） (2024-03-27T11:32:44Z)
Towards Real-World Blind Face Restoration with Generative Diffusion Prior [69.84480964328465]
ブラインド顔の復元はコンピュータビジョンにおいて重要な課題であり、広範囲の応用により注目されている。低画質の顔画像から特徴を効果的に抽出するBFRffusionを提案する。また、人種、性別、年齢といったバランスのとれた属性を備えたPFHQというプライバシ保護顔データセットも構築しています。
論文参考訳（メタデータ） (2023-12-25T14:16:24Z)
FaceSkin: A Privacy Preserving Facial skin patch Dataset for multi Attributes classification [0.9282594860064426]
さまざまな年齢や人種を含むFaceSkinというデータセットを紹介します。印刷紙,リプレイ,3Dマスクを含む2Dおよび3D攻撃画像から得られた合成皮膚パッチを組み込んだ。属性分類におけるFaceSkinデータセットの評価と,その有効性を示す実験結果について述べる。
論文参考訳（メタデータ） (2023-08-09T07:53:33Z)
Attribute-preserving Face Dataset Anonymization via Latent Code Optimization [64.4569739006591]
本稿では,事前学習したGANの潜時空間における画像の潜時表現を直接最適化するタスク非依存匿名化手法を提案する。我々は一連の実験を通して、我々の手法が画像の同一性を匿名化できる一方で、顔の属性をより保存できることを実証した。
論文参考訳（メタデータ） (2023-03-20T17:34:05Z)
Multiface: A Dataset for Neural Face Rendering [108.44505415073579]
本研究では,新しいマルチビュー,高解像度のヒューマン・フェイス・データセットであるMultifaceを提案する。顔のパフォーマンスの高解像度同期映像をキャプチャする大規模なマルチカメラ装置であるMugsyを紹介する。 Multifaceの目的は、学術コミュニティにおける高品質データへのアクセシビリティのギャップを埋め、VRテレプレゼンスの研究を可能にすることである。
論文参考訳（メタデータ） (2022-07-22T17:55:39Z)
SFace: Privacy-friendly and Accurate Face Recognition using Synthetic Data [9.249824128880707]
本稿では,プライバシフレンドリーな合成顔データセットを用いて顔認識モデルを訓練し,その実現可能性について検討する。このようなデータを用いて顔認識モデルを訓練する際のプライバシー面に対処するため、合成データセットと生成モデルを訓練するために使用される元の認証データセットとの同一性に関する広範な評価実験を行った。また,プライバシフレンドリーなデータセットであるSFace上で,3つの異なる学習戦略,多クラス分類,ラベルフリーな知識伝達,多クラス分類と知識伝達の複合学習を用いて,顔認識を訓練することを提案する。
論文参考訳（メタデータ） (2022-06-21T16:42:04Z)
Generalizable Neural Performer: Learning Robust Radiance Fields for Human Novel View Synthesis [52.720314035084215]
この研究は、一般のディープラーニングフレームワークを使用して、任意の人間の演奏者の自由視点画像を合成することを目的としている。我々は、汎用的で堅牢な神経体表現を学習するシンプルな、かつ強力なフレームワーク、Generalizable Neural Performer(GNR)を提案する。 GeneBody-1.0とZJU-Mocapの実験は、最近の最先端の一般化可能な手法よりも、我々の手法の堅牢性を示している。
論文参考訳（メタデータ） (2022-04-25T17:14:22Z)
Robust Data Hiding Using Inverse Gradient Attention [82.73143630466629]
データ隠蔽タスクでは、異なる耐久性を有するため、カバー画像の各ピクセルを別々に扱う必要がある。 Inverse Gradient Attention (IGA) を用いた新しい深層データ隠蔽方式を提案する。実証的な実験により、提案モデルが2つの先行するデータセット上で最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2020-11-21T19:08:23Z)
Ear2Face: Deep Biometric Modality Mapping [9.560980936110234]
生体情報間のマッピングを学習するエンド・ツー・エンドのディープニューラルネットワークモデルを提案する。この問題を画像と画像のペア変換タスクとして定式化し、耳と顔のペアのデータセットを収集した。我々は、特にFERETデータセットにおいて、耳画像入力から視覚的に魅力的な顔画像を生成する、非常に有望な結果を得た。
論文参考訳（メタデータ） (2020-06-02T21:14:27Z)

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。