論文の概要: Continuous Face Aging via Self-estimated Residual Age Embedding
- arxiv url: http://arxiv.org/abs/2105.00020v1
- Date: Fri, 30 Apr 2021 18:06:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-04 14:06:37.944518
- Title: Continuous Face Aging via Self-estimated Residual Age Embedding
- Title（参考訳）: 自己推定残留年齢埋め込みによる連続顔の老化
- Authors: Zeqi Li, Ruowei Jiang and Parham Aarabi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.443742714362521
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Face synthesis, including face aging, in particular, has been one of the
major topics that witnessed a substantial improvement in image fidelity by
using generative adversarial networks (GANs). Most existing face aging
approaches divide the dataset into several age groups and leverage group-based
training strategies, which lacks the ability to provide fine-controlled
continuous aging synthesis in nature. In this work, we propose a unified
network structure that embeds a linear age estimator into a GAN-based model,
where the embedded age estimator is trained jointly with the encoder and
decoder to estimate the age of a face image and provide a personalized target
age embedding for age progression/regression. The personalized target age
embedding is synthesized by incorporating both personalized residual age
embedding of the current age and exemplar-face aging basis of the target age,
where all preceding aging bases are derived from the learned weights of the
linear age estimator. This formulation brings the unified perspective of
estimating the age and generating personalized aged face, where self-estimated
age embeddings can be learned for every single age. The qualitative and
quantitative evaluations on different datasets further demonstrate the
significant improvement in the continuous face aging aspect over the
state-of-the-art.
- Abstract（参考訳）: 特に顔の老化を含む顔合成は、生成的敵ネットワーク(gans)を用いて画像の忠実性が大幅に向上した主要な話題の1つである。
既存の顔の老化アプローチのほとんどは、データセットをいくつかの年齢グループに分割し、グループベースのトレーニング戦略を活用する。
本研究では,ganベースのモデルに線形年齢推定器を組み込んだ統一ネットワーク構造を提案し,エンコーダとデコーダと共同で組み込み年齢推定器を訓練し,顔画像の年齢を推定し,年齢進行/回帰のためのパーソナライズされたターゲット年齢推定器を提供する。
対象年齢のパーソナライズされた残余年齢埋め込みと、前回の老化ベースがリニア年齢推定器の学習重みから導出される目標年齢の模造顔老化ベースとを組み込んで、パーソナライズされた目標年齢埋め込みを合成する。
この定式化は、年齢を推定し、パーソナライズされた年齢の顔を生成するという統一的な視点をもたらす。
異なるデータセットに対する質的および定量的な評価は、最先端技術に対する継続的な顔の老化面の顕著な改善を示す。
関連論文リスト
- Synthetic Face Ageing: Evaluation, Analysis and Facilitation of Age-Robust Facial Recognition Algorithms [1.0499611180329804]
顔認識モデルのロバスト性を向上させるため,合成年齢データの利用の可能性を検討する。
合成老化画像を用いた画像の認識率は, 年齢差40歳以上の画像において, ベースラインモデルの結果よりも3.33%高い値を示した。
論文 参考訳（メタデータ） (2024-06-10T14:27:36Z) - LAE : Long-tailed Age Estimation [52.5745217752147]
まず、簡単な標準ベースラインを定式化し、事前トレーニング、データ拡張、モデルアーキテクチャなどのトリックを収集することで、はるかに強力なベースラインを構築します。
標準ベースラインと比較して,提案手法は推定誤差を著しく低減する。
本稿では,Long-tailed Age Estimation (LAE) という2段階の学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-25T09:05:44Z) - 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 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) - Only a Matter of Style: Age Transformation Using a Style-Based
Regression Model [46.48263482909809]
本稿では,事前学習した未条件GANの潜在空間に実際の顔画像をエンコードする画像から画像への変換手法を提案する。
所望の年齢に対応する潜時符号を生成する際に,エンコーダを明示的に案内するために,事前学習した年齢回帰ネットワークを用いる。
論文 参考訳（メタデータ） (2021-02-04T17:33:28Z) - PFA-GAN: Progressive Face Aging with Generative Adversarial Network [19.45760984401544]
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。
論文 参考訳（メタデータ） (2020-12-07T05:45:13Z) - 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) - Enhancing Facial Data Diversity with Style-based Face Aging [59.984134070735934]
特に、顔データセットは、通常、性別、年齢、人種などの属性の観点からバイアスされる。
本稿では, 細粒度の老化パターンをキャプチャするデータ拡張のための, 生成スタイルに基づく新しいアーキテクチャを提案する。
提案手法は, 年齢移動のための最先端アルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-06-06T21:53:44Z)
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。