論文の概要: Joint Face Image Restoration and Frontalization for Recognition

• arxiv url: http://arxiv.org/abs/2105.09907v1
• Date: Wed, 12 May 2021 03:52:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 19:18:39.956184
• Title: Joint Face Image Restoration and Frontalization for Recognition
• Title（参考訳）: 顔認識のための共同顔画像復元とフロンダリゼーション
• Authors: Xiaoguang Tu, Jian Zhao, Qiankun Liu, Wenjie Ai, Guodong Guo, Zhifeng Li, Wei Liu, and Jiashi Feng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 79.78729632975744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In real-world scenarios, many factors may harm face recognition performance, e.g., large pose, bad illumination,low resolution, blur and noise. To address these challenges, previous efforts usually first restore the low-quality faces to high-quality ones and then perform face recognition. However, most of these methods are stage-wise, which is sub-optimal and deviates from the reality. In this paper, we address all these challenges jointly for unconstrained face recognition. We propose an Multi-Degradation Face Restoration (MDFR) model to restore frontalized high-quality faces from the given low-quality ones under arbitrary facial poses, with three distinct novelties. First, MDFR is a well-designed encoder-decoder architecture which extracts feature representation from an input face image with arbitrary low-quality factors and restores it to a high-quality counterpart. Second, MDFR introduces a pose residual learning strategy along with a 3D-based Pose Normalization Module (PNM), which can perceive the pose gap between the input initial pose and its real-frontal pose to guide the face frontalization. Finally, MDFR can generate frontalized high-quality face images by a single unified network, showing a strong capability of preserving face identity. Qualitative and quantitative experiments on both controlled and in-the-wild benchmarks demonstrate the superiority of MDFR over state-of-the-art methods on both face frontalization and face restoration.
• Abstract（参考訳）: 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。 これらの課題に対処するため、以前の取り組みは通常、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。 しかし、これらの手法のほとんどは段階的であり、それは準最適であり、現実から逸脱する。 本稿では,これらすべての課題を,制約のない顔認識のために共同で解決する。 そこで本研究では, 任意の顔ポーズ下での低品質顔から表向きの高画質顔の復元を目的としたマルチデグレード顔復元(mdfr)モデルを提案する。 まず、MDFRは、任意の低品質要素で入力顔画像から特徴表現を抽出し、それを高品質に復元する、よく設計されたエンコーダデコーダアーキテクチャである。 第二に、MDFRは3DベースのPose Normalization Module (PNM)とともにポーズ残留学習戦略を導入し、入力された初期ポーズと実際の正面ポーズの間のポーズギャップを知覚し、顔の正面化を導く。 最後に、mdfrは、単一の統一ネットワークによって、前面化された高品質の顔画像を生成することができ、顔のアイデンティティを保存する強力な能力を示す。 制御されたベンチマークと内部ベンチマークの質的および定量的実験は、顔のフロンダル化と顔の復元における最先端の手法よりもMDFRの方が優れていることを示した。

関連論文リスト

• OSDFace: One-Step Diffusion Model for Face Restoration [72.5045389847792]
  拡散モデルは、顔の修復において顕著な性能を示した。 顔復元のための新しいワンステップ拡散モデルOSDFaceを提案する。 その結果,OSDFaceは現状のSOTA(State-of-the-art)手法を視覚的品質と定量的指標の両方で上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-26T07:07:48Z)
• AuthFace: Towards Authentic Blind Face Restoration with Face-oriented Generative Diffusion Prior [13.27748226506837]
  ブラインドフェイス修復(BFR)は、コンピュータビジョンにおける基本的な問題である。 最近の研究は、強力な事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルによる顔画像の先行性に依存している。 本稿では,顔指向生成拡散を先行して探索することにより,顔復元の精度を高めるAuthFaceを提案する。
  論文  参考訳（メタデータ） (2024-10-13T14:56:13Z)
• Effective Adapter for Face Recognition in the Wild [72.75516495170199]
  私たちは、画像が低品質で現実世界の歪みに悩まされる、野生の顔認識の課題に取り組みます。 従来のアプローチでは、劣化した画像や、顔の復元技術を使って強化された画像を直接訓練するが、効果がないことが証明された。 高品質な顔データセットで訓練された既存の顔認識モデルを強化するための効果的なアダプタを提案する。
  論文  参考訳（メタデータ） (2023-12-04T08:55:46Z)
• A Hierarchical Representation Network for Accurate and Detailed Face Reconstruction from In-The-Wild Images [15.40230841242637]
  本稿では,1つの画像から正確な顔再構成を実現するために,新しい階層型表現ネットワーク(HRN)を提案する。 我々のフレームワークは、異なるビューの詳細な一貫性を考慮し、マルチビューに拡張することができる。 本手法は,再現精度と視覚効果の両方において既存手法より優れる。
  論文  参考訳（メタデータ） (2023-02-28T09:24:36Z)
• A Survey of Deep Face Restoration: Denoise, Super-Resolution, Deblur, Artifact Removal [177.21001709272144]
  顔復元(FR)は、低品質(LQ)入力画像から高品質(HQ)顔を復元することを目的としている。 本稿では,顔修復のための深層学習技術の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2022-11-05T07:08:15Z)
• Enhancing Quality of Pose-varied Face Restoration with Local Weak Feature Sensing and GAN Prior [29.17397958948725]
  本稿では,前向きに顔の再生を行うブラインド・フェイス・リカバリ・ネットワークを提案する。 我々のモデルは、顔の復元や顔の超解像処理において、従来の技術よりも優れている。
  論文  参考訳（メタデータ） (2022-05-28T09:23:48Z)
• GMFIM: A Generative Mask-guided Facial Image Manipulation Model for Privacy Preservation [0.7734726150561088]
  入力顔画像に知覚不可能な編集を適用するために,GANをベースとしたマスク誘導顔画像マニピュレーションモデルを提案する。 我々のモデルは、最先端の手法と比較して、自動顔認識システムに対してより良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-01-10T14:09:14Z)
• Identity-Preserving Pose-Robust Face Hallucination Through Face Subspace Prior [14.353574903736343]
  新たな顔超解像法が導入され、幻覚した顔は、利用可能な訓練面に散らばった部分空間に置かれざるを得なくなる。 3次元辞書アライメント方式も提示され、アルゴリズムは制御不能な条件下での低解像度の顔の処理が可能となる。 いくつかのよく知られた顔データセットに対して行われた広範囲な実験において、提案アルゴリズムは、詳細で地上に近い真理結果を生成することにより、顕著な性能を示す。
  論文  参考訳（メタデータ） (2021-11-20T17:08:38Z)
• SuperFront: From Low-resolution to High-resolution Frontal Face Synthesis [65.35922024067551]
  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。
  論文  参考訳（メタデータ） (2020-12-07T23:30:28Z)
• HiFaceGAN: Face Renovation via Collaborative Suppression and Replenishment [63.333407973913374]
  フェース・リノベーション(FR)は意味誘導型生成問題である。 HiFaceGANは、複数のネストされたCSRユニットを含む多段階フレームワークである。 合成画像と実顔画像の両方の実験により,HiFaceGANの優れた性能が確認された。
  論文  参考訳（メタデータ） (2020-05-11T11:33:17Z)

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。