論文の概要: A Unified Framework for Biphasic Facial Age Translation with
Noisy-Semantic Guided Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2109.07373v1
- Date: Wed, 15 Sep 2021 15:30:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 15:18:03.218103
- Title: A Unified Framework for Biphasic Facial Age Translation with
Noisy-Semantic Guided Generative Adversarial Networks
- Title（参考訳）: ノイズ・セマンティック誘導対向ネットワークを用いた二相顔年齢同時翻訳フレームワーク
- Authors: Muyi Sun, Jian Wang, Yunfan Liu, Qi Li, Zhenan Sun
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 54.57520952117123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Biphasic facial age translation aims at predicting the appearance of the
input face at any age. Facial age translation has received considerable
research attention in the last decade due to its practical value in cross-age
face recognition and various entertainment applications. However, most existing
methods model age changes between holistic images, regardless of the human face
structure and the age-changing patterns of individual facial components.
Consequently, the lack of semantic supervision will cause infidelity of
generated faces in detail. To this end, we propose a unified framework for
biphasic facial age translation with noisy-semantic guided generative
adversarial networks. Structurally, we project the class-aware noisy semantic
layouts to soft latent maps for the following injection operation on the
individual facial parts. In particular, we introduce two sub-networks,
ProjectionNet and ConstraintNet. ProjectionNet introduces the low-level
structural semantic information with noise map and produces soft latent maps.
ConstraintNet disentangles the high-level spatial features to constrain the
soft latent maps, which endows more age-related context into the soft latent
maps. Specifically, attention mechanism is employed in ConstraintNet for
feature disentanglement. Meanwhile, in order to mine the strongest mapping
ability of the network, we embed two types of learning strategies in the
training procedure, supervised self-driven generation and unsupervised
condition-driven cycle-consistent generation. As a result, extensive
experiments conducted on MORPH and CACD datasets demonstrate the prominent
ability of our proposed method which achieves state-of-the-art performance.
- Abstract（参考訳）: 二相性顔面年齢変換は、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。
顔の年齢の翻訳は、年齢を越えた顔の認識と様々なエンターテイメントの応用に実用的価値があることから、過去10年間にかなりの研究の注目を集めてきた。
しかし、既存の手法のほとんどは、人間の顔構造や個々の顔成分の年齢変化パターンに関わらず、全体像間の年齢変化をモデル化している。
したがって、意味的監督の欠如は、生成した顔の非忠実さを詳細に引き起こすことになる。
そこで本研究では,ノイズ・セマンティック誘導型生成対向ネットワークを用いた二相性顔面年齢変換の統一フレームワークを提案する。
構造的には, 個々の顔部に対して下記の注入操作を行うために, クラスアウェアな騒がしいセマンティクスレイアウトをソフト潜在マップに投影する。
特に、ProjectionNetとConstraintNetという2つのサブネットワークを紹介します。
ProjectionNetはノイズマップを用いた低レベル構造意味情報を導入し、ソフト潜在マップを生成する。
制約ネットはソフト潜在度マップを制約するために高レベルな空間的特徴を分断し、ソフト潜在度マップに年齢関連コンテキストを内包する。
特に注意機構はConstraintNetで機能障害に使用される。
一方,ネットワークの強力なマッピング能力を発掘するために,学習手順に2種類の学習戦略,教師付き自己駆動生成,教師なし条件駆動型サイクル一貫性生成を組み込んだ。
その結果,MORPHおよびCACDデータセットを用いた広範囲な実験により,最先端の性能を実現する手法の顕著な性能を示すことができた。
関連論文リスト
- When Age-Invariant Face Recognition Meets Face Age Synthesis: A
Multi-Task Learning Framework and A New Benchmark [45.31997043789471]
MTLFaceは、モデル解釈のための表情合成を行いながら、年齢不変の識別関連表現を顔認識のために学習することができる。
我々は、年齢と性別のアノテーションを備えた大規模な顔データセットと、長寿児の追跡に特化して設計された新しいベンチマークをリリースする。
論文 参考訳（メタデータ） (2022-10-17T07:04:19Z) - TANet: A new Paradigm for Global Face Super-resolution via
Transformer-CNN Aggregation Network [72.41798177302175]
本稿では, 顔構造特徴の表現能力を完全に探求する自己認識機構(すなわち Transformer のコア)に基づく新しいパラダイムを提案する。
具体的には、2つの経路からなるTransformer-CNNアグリゲーションネットワーク(TANet)を設計する。
上記の2つの経路から特徴を集約することにより、グローバルな顔の構造の整合性と局所的な顔のディテール復元の忠実度を同時に強化する。
論文 参考訳（メタデータ） (2021-09-16T18:15:07Z) - 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 via Self-estimated Residual Age Embedding [8.443742714362521]
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。
論文 参考訳（メタデータ） (2021-04-30T18:06:17Z) - When Age-Invariant Face Recognition Meets Face Age Synthesis: A
Multi-Task Learning Framework [20.579282497730944]
MTLFaceは、顔合成を楽しみながら、年齢不変のアイデンティティ関連表現を学習することができる。
グループレベルのfasを実現する従来のone-hotエンコーディングとは対照的に,アイデンティティレベルfasを実現するための新しいid条件モジュールを提案する。
5つのベンチマーククロスエイジデータセットに対する大規模な実験は、提案したMTLFaceの優れた性能を示す。
論文 参考訳（メタデータ） (2021-03-02T07:03:27Z) - 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) - 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) - Dual-Attention GAN for Large-Pose Face Frontalization [59.689836951934694]
本稿では,フォトリアリスティック顔フロンダル化のためのDA-GAN(Dual-Attention Generative Adversarial Network)を提案する。
具体的には、ローカル機能と長距離依存関係を統合するために、自己アテンションベースのジェネレータが導入された。
顔領域の局所的特徴を強調するために,新しい顔認識に基づく識別器を適用した。
論文 参考訳（メタデータ） (2020-02-17T20:00:56Z) - Exploiting Semantics for Face Image Deblurring [121.44928934662063]
本稿では,深層畳み込みニューラルネットワークによる意味的手がかりを利用して,効果的かつ効率的な顔分解アルゴリズムを提案する。
顔のセマンティックラベルを入力先として組み込んで,顔の局所構造を正規化するための適応的構造損失を提案する。
提案手法は、より正確な顔の特徴と細部を持つシャープ画像を復元する。
論文 参考訳（メタデータ） (2020-01-19T13:06:27Z)
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。
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。