論文の概要: Generation of Non-Deterministic Synthetic Face Datasets Guided by
Identity Priors
- arxiv url: http://arxiv.org/abs/2112.03632v1
- Date: Tue, 7 Dec 2021 11:08:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 14:33:48.138869
- Title: Generation of Non-Deterministic Synthetic Face Datasets Guided by
Identity Priors
- Title(参考訳): アイデンティティ優先による非決定論的合成顔データセットの生成
- Authors: Marcel Grimmer, Haoyu Zhang, Raghavendra Ramachandra, Kiran Raja,
Christoph Busch
- Abstract要約: 本稿では、StyleGANの構造化された潜在空間を利用して、マット付き顔画像を生成する非決定論的手法を提案する。
25,919個の合成IDを含む77,034個のサンプルからなる合成顔画像(SymFace)のデータセットを作成する。
- 参考スコア(独自算出の注目度): 19.095368725147367
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Enabling highly secure applications (such as border crossing) with face
recognition requires extensive biometric performance tests through large scale
data. However, using real face images raises concerns about privacy as the laws
do not allow the images to be used for other purposes than originally intended.
Using representative and subsets of face data can also lead to unwanted
demographic biases and cause an imbalance in datasets. One possible solution to
overcome these issues is to replace real face images with synthetically
generated samples. While generating synthetic images has benefited from recent
advancements in computer vision, generating multiple samples of the same
synthetic identity resembling real-world variations is still unaddressed, i.e.,
mated samples. This work proposes a non-deterministic method for generating
mated face images by exploiting the well-structured latent space of StyleGAN.
Mated samples are generated by manipulating latent vectors, and more precisely,
we exploit Principal Component Analysis (PCA) to define semantically meaningful
directions in the latent space and control the similarity between the original
and the mated samples using a pre-trained face recognition system. We create a
new dataset of synthetic face images (SymFace) consisting of 77,034 samples
including 25,919 synthetic IDs. Through our analysis using well-established
face image quality metrics, we demonstrate the differences in the biometric
quality of synthetic samples mimicking characteristics of real biometric data.
The analysis and results thereof indicate the use of synthetic samples created
using the proposed approach as a viable alternative to replacing real biometric
data.
- Abstract(参考訳): 顔認識による高度にセキュアなアプリケーション(境界交差など)の実現には、大規模なデータによる広範なバイオメトリックパフォーマンステストが必要である。
しかし、実際の顔画像を使うことは、プライバシーに関する懸念を生じさせる。
顔データの代表とサブセットを使用することで、望ましくない人口バイアスやデータセットの不均衡も引き起こされる可能性がある。
これらの問題を克服する可能な解決策の1つは、実際の顔画像を合成されたサンプルに置き換えることである。
合成画像の生成はコンピュータビジョンの最近の進歩の恩恵を受けているが、実世界の変動に類似した同じ合成アイデンティティの複数のサンプルを生成することは、いまだに未適応である。
本研究は,スタイルガンのよく構造化された潜在空間を利用して顔画像を生成する非決定論的手法を提案する。
潜伏ベクトルの操作によりマッドサンプルを生成し,より正確には主成分分析(PCA)を用いて潜伏空間における意味論的な方向を定義し,事前学習した顔認識システムを用いて,原点と交点の類似性を制御する。
25,919個の合成IDを含む77,034個のサンプルからなる合成顔画像(SymFace)のデータセットを作成する。
確立された顔画像品質指標を用いて分析を行い,実生体データの特徴を模倣した合成試料の生体品質の違いを示す。
これらの分析と結果から,実バイオメトリックデータを置き換える代替手段として,提案手法を用いた合成試料の利用が示唆された。
関連論文リスト
- DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake
Detection [67.3143177137102]
ディープフェイク検出(Deepfake detection)とは、画像やビデオにおいて、人工的に生成された顔や編集された顔を検出すること。
本稿では,実顔と偽顔とを適応的に識別するDeepFidelityという新しいDeepfake検出フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-07T07:19:45Z) - SynthDistill: Face Recognition with Knowledge Distillation from
Synthetic Data [8.026313049094146]
最先端の顔認識ネットワークは計算コストが高く、モバイルアプリケーションでは利用できないことが多い。
本稿では,教師の事前学習した顔認識モデルの知識を合成データを用いて抽出し,軽量な顔認識モデルを訓練するための新しい枠組みを提案する。
我々は、識別ラベルのない合成顔画像を用いて、合成データセットのクラス内変動生成における問題を緩和する。
論文 参考訳(メタデータ) (2023-08-28T19:15:27Z) - Spritz-PS: Validation of Synthetic Face Images Using a Large Dataset of
Printed Documents [23.388645531702597]
我々は、VIPPrint PrintedおよびScanned face imageから得られた多数の合成および天然のIRISからなる新しいデータセットを提供する。
データセットのIRIS画像の評価にかかわる問題点を明らかにするために,シメセニューラルネットワークを用いた多数の解析を行った。
論文 参考訳(メタデータ) (2023-04-06T10:28:34Z) - Unsupervised Face Recognition using Unlabeled Synthetic Data [16.494722503803196]
ラベルなし合成データ(U SynthFace)に基づく教師なし顔認識モデルを提案する。
提案したU SynthFaceは、同一の合成インスタンスの2つの拡張画像の類似性を最大化することを学ぶ。
ラベルなし合成データを用いた比較的高い認識精度を実現するためのU SynthFaceの有効性を実証する。
論文 参考訳(メタデータ) (2022-11-14T14:05:19Z) - Haven't I Seen You Before? Assessing Identity Leakage in Synthetic
Irises [4.142375560633827]
本稿では, GANトレーニングプロセスの様々な点における3つのアイリスマッチングの解析を行い, 実際のトレーニングサンプルが生成過程を通じて漏洩する危険のある場所と時期を診断する。
以上の結果から,ほとんどの合成サンプルは同一性漏洩の兆候を示していないが,生成したサンプルのごく一部は,ほぼ完璧に一致していることがわかった。
論文 参考訳(メタデータ) (2022-11-03T00:34:47Z) - Is synthetic data from generative models ready for image recognition? [69.42645602062024]
本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。
本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
論文 参考訳(メタデータ) (2022-10-14T06:54:24Z) - Can Shadows Reveal Biometric Information? [48.3561395627331]
生体情報漏洩は,代表シナリオ下での信頼性の高い同一性推論に十分であることを示す。
そこで我々は,この現象を実環境で示す学習ベース手法を開発した。
論文 参考訳(メタデータ) (2022-09-21T02:36:32Z) - 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) - Multimodal Face Synthesis from Visual Attributes [85.87796260802223]
本稿では,マルチモーダル顔画像を保存するIDを同時に合成する新たな生成対向ネットワークを提案する。
実画像と偽画像の区別を行う識別装置にマルチモーダルストレッチインモジュールを導入。
論文 参考訳(メタデータ) (2021-04-09T13:47:23Z) - Identity-Aware CycleGAN for Face Photo-Sketch Synthesis and Recognition [61.87842307164351]
まず,画像生成ネットワークの監視に新たな知覚損失を適用したIACycleGAN(Identity-Aware CycleGAN)モデルを提案する。
眼や鼻などの重要な顔領域の合成により多くの注意を払うことで、フォトエッチング合成におけるサイクガンを改善する。
IACycleGANによる画像の合成を反復的に行う合成モデルと認識モデルとの相互最適化手法を開発した。
論文 参考訳(メタデータ) (2021-03-30T01:30:08Z)
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。