論文の概要: Disentangled Face Identity Representations for joint 3D Face Recognition
and Expression Neutralisation
- arxiv url: http://arxiv.org/abs/2104.10273v1
- Date: Tue, 20 Apr 2021 22:33:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-23 00:46:23.756604
- Title: Disentangled Face Identity Representations for joint 3D Face Recognition
and Expression Neutralisation
- Title（参考訳）: 連立3次元顔認識と表現中性化のための不整形顔識別表現
- Authors: Anis Kacem, Kseniya Cherenkova, Djamila Aouada
- Abstract要約: 提案手法は,3次元顔が与えられた場合,不整合性表現を抽出するだけでなく,その同一性を予測しながら中性表現を伴う現実的な3次元顔を生成する。
提案するネットワークは,(1)3次元顔から潜在表現を符号化するグラフ畳み込みオートエンコーダ(gca),(2)潜在表現を中性顔の表現に変換する生成逆ネットワーク(gan)、(3)3次元顔認識のための中性潜在表現を利用した識別サブネットワークの3つの構成要素から構成されている。
- 参考スコア（独自算出の注目度）: 20.854071758664297
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a new deep learning-based approach for
disentangling face identity representations from expressive 3D faces. Given a
3D face, our approach not only extracts a disentangled identity representation
but also generates a realistic 3D face with a neutral expression while
predicting its identity. The proposed network consists of three components; (1)
a Graph Convolutional Autoencoder (GCA) to encode the 3D faces into latent
representations, (2) a Generative Adversarial Network (GAN) that translates the
latent representations of expressive faces into those of neutral faces, (3) and
an identity recognition sub-network taking advantage of the neutralized latent
representations for 3D face recognition. The whole network is trained in an
end-to-end manner. Experiments are conducted on three publicly available
datasets showing the effectiveness of the proposed approach.
- Abstract（参考訳）: 本稿では,表現型3d顔から顔識別表現を分離する深層学習に基づく新しいアプローチを提案する。
提案手法は,3次元顔が与えられた場合,不整合性表現を抽出するだけでなく,その同一性を予測しながら中性表現を伴う現実的な3次元顔を生成する。
提案するネットワークは,(1)3次元面を潜在表現に変換するグラフ畳み込みオートエンコーダ(gca),(2)表現面の潜在表現を中性面の表現に変換する生成逆ネットワーク(gan),(3)中性化された潜在表現を活用した識別サブネットワーク,の3つの構成要素からなる。
ネットワーク全体がエンドツーエンドでトレーニングされる。
提案手法の有効性を示す3つの公開データセットで実験を行った。
関連論文リスト
- Revealing Directions for Text-guided 3D Face Editing [52.85632020601518]
3次元顔編集はマルチメディアにおいて重要な課題であり、様々な制御信号間での3次元顔モデルの操作を目的としている。
任意の属性記述に基づく3次元顔の生成と操作のためのテキスト汎用アプローチであるFace Clanを提案する。
本手法は,ユーザがテキスト記述で興味のある領域を直感的にカスタマイズできる,正確に制御可能な操作方法を提供する。
論文 参考訳（メタデータ） (2024-10-07T12:04:39Z) - Ig3D: Integrating 3D Face Representations in Facial Expression Inference [12.975434103690812]
本研究の目的は,表情推論タスクに3次元表現を統合することの影響を検討することである。
まず、FEIタスクにおける2つの3次元顔表現(どちらも3次元形態素モデル、FLAMEに基づく)の性能を評価する。
次に、既存の2D推論フレームワークと3D顔表現を統合するために、中間融合と後期融合という2つの融合アーキテクチャについて検討する。
提案手法は,最先端のAffectNet VA推定とRAF-DB分類タスクより優れている。
論文 参考訳（メタデータ） (2024-08-29T21:08:07Z) - G2Face: High-Fidelity Reversible Face Anonymization via Generative and Geometric Priors [71.69161292330504]
可逆顔匿名化(Reversible face anonymization)は、顔画像の繊細なアイデンティティ情報を、合成された代替品に置き換えようとしている。
本稿では,Gtextsuperscript2Faceを提案する。
提案手法は,高データの有効性を保ちながら,顔の匿名化と回復において既存の最先端技術よりも優れる。
論文 参考訳（メタデータ） (2024-08-18T12:36:47Z) - ID-to-3D: Expressive ID-guided 3D Heads via Score Distillation Sampling [96.87575334960258]
ID-to-3D(ID-to-3D)は、不整合表現を用いたIDとテキスト誘導型3次元頭部を生成する方法である。
前例のないアイデンティティ一貫性と高品質なテクスチャと幾何生成を実現する。
論文 参考訳（メタデータ） (2024-05-26T13:36:45Z) - A Generative Framework for Self-Supervised Facial Representation Learning [18.094262972295702]
自己教師付き表現学習は、ペア化されたデータセットに頼ることなく、強力な一般化能力に注目されるようになった。
自己監督型顔表現学習は、顔のアイデンティティ、表情、ポーズや光といった外部要因の結合により未解決のままである。
自己教師型顔表現のための新しい生成フレームワークであるLatentFaceを提案する。
論文 参考訳（メタデータ） (2023-09-15T09:34:05Z) - Generating 2D and 3D Master Faces for Dictionary Attacks with a
Network-Assisted Latent Space Evolution [68.8204255655161]
マスターフェイス(英: master face)とは、人口の比率の高い顔認証をパスする顔画像である。
2次元および3次元の顔認証モデルに対して,これらの顔の最適化を行う。
3Dでは,2次元スタイルGAN2ジェネレータを用いて顔を生成し,深部3次元顔再構成ネットワークを用いて3次元構造を予測する。
論文 参考訳（メタデータ） (2022-11-25T09:15:38Z) - Semantic-aware One-shot Face Re-enactment with Dense Correspondence
Estimation [100.60938767993088]
ワンショットの顔の再現は、ソースと駆動する顔の同一性ミスマッチのため、難しい作業である。
本稿では,3次元形態素モデル(3DMM)を明示的な顔のセマンティックな分解とアイデンティティの絡み合いに利用することを提案する。
論文 参考訳（メタデータ） (2022-11-23T03:02:34Z) - Controllable 3D Generative Adversarial Face Model via Disentangling
Shape and Appearance [63.13801759915835]
3次元顔モデリングはコンピュータビジョンとコンピュータグラフィックスの研究の活発な領域である。
本稿では,識別と表現を分離できる新しい3次元顔生成モデルを提案する。
論文 参考訳（メタデータ） (2022-08-30T13:40:48Z) - 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) - 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) - Multi-channel Deep 3D Face Recognition [4.726009758066045]
2次元顔認証の精度は、ポーズ、照明、メイクアップ、表情の変化によって依然として疑問視されている。
本稿では,3次元顔データに基づく顔認識のためのマルチチャネルディープ3次元顔ネットワークを提案する。
マルチチャネル深部3次元顔ネットワークの顔認識精度は98.6。
論文 参考訳（メタデータ） (2020-09-30T15:29:05Z)
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。