論文の概要: A Study of the Human Perception of Synthetic Faces

• arxiv url: http://arxiv.org/abs/2111.04230v1
• Date: Mon, 8 Nov 2021 02:03:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-10 01:47:08.864978
• Title: A Study of the Human Perception of Synthetic Faces
• Title（参考訳）: 合成顔の人間の知覚に関する研究
• Authors: Bingyu Shen, Brandon RichardWebster, Alice O'Toole, Kevin Bowyer, Walter J. Scheirer
• Abstract要約: 本稿では,最先端の深層学習に基づくGANモデルを含む,異なる戦略を用いて生成した合成顔の人間の知覚について紹介する。 GANベースの、より伝統的な画像処理ベースの技術が人間の観察者を混乱させる頻度など、重要な疑問に答える。
• 参考スコア（独自算出の注目度）: 10.058235580923583
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advances in face synthesis have raised alarms about the deceptive use of synthetic faces. Can synthetic identities be effectively used to fool human observers? In this paper, we introduce a study of the human perception of synthetic faces generated using different strategies including a state-of-the-art deep learning-based GAN model. This is the first rigorous study of the effectiveness of synthetic face generation techniques grounded in experimental techniques from psychology. We answer important questions such as how often do GAN-based and more traditional image processing-based techniques confuse human observers, and are there subtle cues within a synthetic face image that cause humans to perceive it as a fake without having to search for obvious clues? To answer these questions, we conducted a series of large-scale crowdsourced behavioral experiments with different sources of face imagery. Results show that humans are unable to distinguish synthetic faces from real faces under several different circumstances. This finding has serious implications for many different applications where face images are presented to human users.
• Abstract（参考訳）: 顔合成の進歩は、合成顔の使用を欺くことに警鐘を鳴らしている。 人工的なアイデンティティは、人間の観察者を騙すのに有効か? 本稿では,最先端の深層学習に基づくGANモデルを含む,異なる戦略を用いた合成顔の人間の知覚に関する研究を紹介する。 これは、心理学の実験技術に基づく合成顔生成技術の有効性に関する最初の厳密な研究である。 私たちは、ganベースの、より伝統的な画像処理ベースの技術が人間のオブザーバーを混乱させる頻度のような重要な質問に答えます。 これらの疑問に答えるために,さまざまな顔画像のソースを用いた大規模クラウドソーシング行動実験を行った。 その結果、複数の異なる状況下では、人間は実際の顔と合成顔の区別ができないことがわかった。 この発見は、顔画像が人間のユーザーに提示される多くの異なるアプリケーションに深刻な影響を及ぼす。

関連論文リスト

• Single Image, Any Face: Generalisable 3D Face Generation [59.9369171926757]
  我々は,制約のない単一画像入力を伴う3次元顔を生成する新しいモデルGen3D-Faceを提案する。 私たちの知る限りでは、これは1枚の画像からフォトリアリスティックな3D顔アバターを作るための最初の試みであり、ベンチマークである。
  論文  参考訳（メタデータ） (2024-09-25T14:56:37Z)
• ComFace: Facial Representation Learning with Synthetic Data for Comparing Faces [5.07975834105566]
  合成画像を用いた顔表現学習手法ComFaceを提案する。 効果的な表現学習のために、ComFaceは2つの特徴表現、すなわち、対人的な顔の違いと対人的な顔の変化を取得することを目指している。 我々のComFaceは、合成データのみを用いて訓練され、実画像を用いて訓練された一般的な事前学習や最先端表現学習方法と同等以上の転送性能を達成する。
  論文  参考訳（メタデータ） (2024-05-25T02:44:07Z)
• The Value of AI Guidance in Human Examination of Synthetically-Generated Faces [4.144518961834414]
  我々は,ヒト誘導型顔検出装置が,合成画像検出のタスクにおいて,熟練者以外の操作者を支援することができるかどうかを検討する。 我々は1,560名以上の被験者を対象に大規模な実験を行った。 人間の誘導で訓練されたモデルは、伝統的にクロスエントロピー損失を用いて訓練されたモデルと比較して、人間の顔画像の検査により良いサポートを提供する。
  論文  参考訳（メタデータ） (2022-08-22T18:45:53Z)
• GAN-generated Faces Detection: A Survey and New Perspectives [48.596997330548]
  GAN(Generative Adversarial Networks)は、非常にリアルな顔画像を生成する。 対応するGAN顔検出技術は、このような偽の顔を調べ、暴露することのできる活発な開発が進められている。 我々は、GANモデルから生成または合成された顔画像を検出する方法に焦点を当てる。
  論文  参考訳（メタデータ） (2022-02-15T02:36:56Z)
• SynFace: Face Recognition with Synthetic Data [83.15838126703719]
  我々は、ID混在(IM)とドメイン混在(DM)を併用したSynFaceを考案し、パフォーマンスギャップを緩和する。 また、合成顔画像の系統的実験分析を行い、合成データを顔認識に効果的に活用する方法についての知見を提供する。
  論文  参考訳（メタデータ） (2021-08-18T03:41:54Z)
• More Real than Real: A Study on Human Visual Perception of Synthetic Faces [7.25613186882905]
  本稿では,最先端のジェネレーティブ・ディバイザリー・ネットワークが生み出した合成顔画像にボランティアが露出する知覚実験について述べる。 実験結果から、現代のAIによって生成された合成顔と実際の顔を区別する人間の能力に疑問を投げかけるべきかどうかが明らかになる。
  論文  参考訳（メタデータ） (2021-06-14T08:27:25Z)
• Facial Expressions as a Vulnerability in Face Recognition [73.85525896663371]
  本研究では,顔認識システムのセキュリティ脆弱性としての表情バイアスについて検討する。 本稿では,表情バイアスが顔認識技術の性能に与える影響を包括的に分析する。
  論文  参考訳（メタデータ） (2020-11-17T18:12:41Z)
• LandmarkGAN: Synthesizing Faces from Landmarks [43.53204737135101]
  顔のランドマークに基づいた顔合成を入力として行う新しい手法であるLandmarkGANについて述べる。 提案手法では,顔のランドマークの集合を異なる対象の新たな顔に変換することができるが,顔の表情や向きは同一である。
  論文  参考訳（メタデータ） (2020-10-31T13:27:21Z)
• InterFaceGAN: Interpreting the Disentangled Face Representation Learned by GANs [73.27299786083424]
  我々は、最先端のGANモデルによって学習された不整合顔表現を解釈するInterFaceGANというフレームワークを提案する。 まず、GANは潜在空間の線型部分空間で様々な意味学を学ぶ。 次に、異なる意味論間の相関関係について詳細な研究を行い、部分空間射影を通してそれらをよりよく解離させる。
  論文  参考訳（メタデータ） (2020-05-18T18:01:22Z)
• Learning Inverse Rendering of Faces from Real-world Videos [52.313931830408386]
  既存の方法は、顔画像を3つの構成要素(アルベド、ノーマル、照明)に分解する。 本稿では,アルベドと正常の整合性の仮定に基づいて,我々のモデルを実顔ビデオでトレーニングするための弱い教師付きトレーニング手法を提案する。 私たちのネットワークは、実データと合成データの両方で訓練されています。
  論文  参考訳（メタデータ） (2020-03-26T17:26:40Z)

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。