論文の概要: A new face swap method for image and video domains: a technical report

• arxiv url: http://arxiv.org/abs/2202.03046v1
• Date: Mon, 7 Feb 2022 10:15:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-09 01:39:30.343268
• Title: A new face swap method for image and video domains: a technical report
• Title（参考訳）: 画像領域と映像領域の新たな顔スワップ法:技術報告
• Authors: Daniil Chesakov, Anastasia Maltseva, Alexander Groshev, Andrey Kuznetsov, Denis Dimitrov
• Abstract要約: FaceShifterアーキテクチャに基づいた新しいフェイススワップパイプラインを導入する。 新しいアイロス機能、超解像ブロック、ガウスベースのフェイスマスク生成は、品質改善につながる。
• 参考スコア（独自算出の注目度）: 60.47144478048589
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep fake technology became a hot field of research in the last few years. Researchers investigate sophisticated Generative Adversarial Networks (GAN), autoencoders, and other approaches to establish precise and robust algorithms for face swapping. Achieved results show that the deep fake unsupervised synthesis task has problems in terms of the visual quality of generated data. These problems usually lead to high fake detection accuracy when an expert analyzes them. The first problem is that existing image-to-image approaches do not consider video domain specificity and frame-by-frame processing leads to face jittering and other clearly visible distortions. Another problem is the generated data resolution, which is low for many existing methods due to high computational complexity. The third problem appears when the source face has larger proportions (like bigger cheeks), and after replacement it becomes visible on the face border. Our main goal was to develop such an approach that could solve these problems and outperform existing solutions on a number of clue metrics. We introduce a new face swap pipeline that is based on FaceShifter architecture and fixes the problems stated above. With a new eye loss function, super-resolution block, and Gaussian-based face mask generation leads to improvements in quality which is confirmed during evaluation.
• Abstract（参考訳）: ディープフェイク技術は、ここ数年でホットな研究分野となった。 研究者たちは、顔スワップのための正確で堅牢なアルゴリズムを確立するために、高度なジェネレータネットワーク(GAN)、オートエンコーダ、その他のアプローチを調査した。 得られた結果から, 擬似教師なし合成タスクは, 生成したデータの視覚的品質に問題があることがわかった。 これらの問題は通常、専門家がそれらを分析する際に高いフェイク検出精度をもたらす。 第1の問題は、既存の画像から画像へのアプローチが、ビデオドメインの特異性やフレーム毎の処理を考慮せず、顔のジッタや他の目に見える歪みを引き起こすことである。 もう一つの問題は生成したデータ解像度であり、計算の複雑さのために既存の多くの手法では低い。 第3の問題は、ソースフェイスがより大きな比率(大きな頬など)を持つ場合に現れ、置換後、顔の境界で見えるようになる。 私たちの主な目標は、これらの問題を解決し、多くの手がかりメトリクスで既存のソリューションを上回るようなアプローチを開発することです。 FaceShifterアーキテクチャに基づいた新しいフェイススワップパイプラインを導入し、上記の問題を修正します。 新しい失明機能、超解像度ブロック、およびガウス型フェイスマスクの生成により、評価中に確認される品質が向上する。

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)
• Exploring Decision-based Black-box Attacks on Face Forgery Detection [53.181920529225906]
  顔の偽造生成技術は鮮明な顔を生み出し、セキュリティとプライバシーに対する世間の懸念を高めている。 顔偽造検出は偽の顔の識別に成功しているが、最近の研究では顔偽造検出は敵の例に対して非常に脆弱であることが示されている。
  論文  参考訳（メタデータ） (2023-10-18T14:49:54Z)
• COMICS: End-to-end Bi-grained Contrastive Learning for Multi-face Forgery Detection [56.7599217711363]
  顔偽造認識法は一度に1つの顔しか処理できない。 ほとんどの顔偽造認識法は一度に1つの顔しか処理できない。 マルチフェイスフォージェリ検出のためのエンドツーエンドフレームワークであるCOMICSを提案する。
  論文  参考訳（メタデータ） (2023-08-03T03:37:13Z)
• Eight Years of Face Recognition Research: Reproducibility, Achievements and Open Issues [6.608320705848282]
  過去30年間に多くの異なる顔認識アルゴリズムが提案されてきた。 2015年からは、最先端の顔認識がディープラーニングモデルに根ざしている。 この研究は、2014年に開発され、2016年に出版されたこれまでの研究のフォローアップであり、顔認識アルゴリズムに対する様々な顔の側面の影響を示している。
  論文  参考訳（メタデータ） (2022-08-08T10:40:29Z)
• Restricted Black-box Adversarial Attack Against DeepFake Face Swapping [70.82017781235535]
  本稿では,顔画像偽造モデルに対する問い合わせを一切必要としない現実的な敵攻撃を提案する。 本手法は,顔の再構成を行う代用モデルに基づいて構築され,置換モデルから非アクセス可能なブラックボックスDeepFakeモデルへの逆例を直接転送する。
  論文  参考訳（メタデータ） (2022-04-26T14:36:06Z)
• Improving DeepFake Detection Using Dynamic Face Augmentation [0.8793721044482612]
  ほとんどの公開可能なDeepFake検出データセットには、限られたバリエーションがある。 ディープニューラルネットワークは、DeepFakeコンテンツの操作機能を検出するための学習ではなく、顔の特徴にオーバーフィットする傾向があります。 DeepFake検出を改善するために、CNN(Convolutional Neural Networks)をトレーニングするためのデータ拡張方法であるFace-Cutoutを紹介します。
  論文  参考訳（メタデータ） (2021-02-18T20:25:45Z)
• Face Super-Resolution Guided by 3D Facial Priors [92.23902886737832]
  シャープな顔構造を把握した3次元顔先行情報を明示的に組み込んだ新しい顔超解像法を提案する。 我々の研究は、顔属性のパラメトリック記述の融合に基づく3次元形態的知識を初めて探求したものである。 提案した3D先行画像は、最先端技術よりも優れた顔超解像結果が得られる。
  論文  参考訳（メタデータ） (2020-07-18T15:26:07Z)
• FakeLocator: Robust Localization of GAN-Based Face Manipulations [19.233930372590226]
  本稿では,FakeLocatorと呼ばれる新しいアプローチを提案する。 これは、GANベースのフェイクローカライゼーション問題をグレースケールのフェイクネスマップで解決する最初の試みである。 人気の高いFaceForensics++,DFFDデータセット,および7種類の最先端のGANベースの顔生成手法による実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-01-27T06:15:01Z)

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。