論文の概要: LFW-Beautified: A Dataset of Face Images with Beautification and Augmented Reality Filters

• arxiv url: http://arxiv.org/abs/2203.06082v1
• Date: Fri, 11 Mar 2022 17:05:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-14 14:00:47.256871
• Title: LFW-Beautified: A Dataset of Face Images with Beautification and Augmented Reality Filters
• Title（参考訳）: LFW-Beautified:美容と拡張現実フィルターを用いた顔画像のデータセット
• Authors: Pontus Hedman, Vasilios Skepetzis, Kevin Hernandez-Diaz, Josef Bigun, Fernando Alonso-Fernandez
• Abstract要約: いくつかの操作を含む顔画像のデータベースにコントリビュートする。 画像強調フィルター(コントラストや稲妻を主に修正する)や、動物の鼻や眼鏡などのアイテムを組み込んだ拡張現実フィルターが含まれている。 各データセットには、64×64の4,324枚の画像があり、合計34,592枚の画像がある。
• 参考スコア（独自算出の注目度）: 53.180678723280145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Selfie images enjoy huge popularity in social media. The same platforms centered around sharing this type of images offer filters to beautify them or incorporate augmented reality effects. Studies suggests that filtered images attract more views and engagement. Selfie images are also in increasing use in security applications due to mobiles becoming data hubs for many transactions. Also, video conference applications, boomed during the pandemic, include such filters. Such filters may destroy biometric features that would allow person recognition or even detection of the face itself, even if such commodity applications are not necessarily used to compromise facial systems. This could also affect subsequent investigations like crimes in social media, where automatic analysis is usually necessary given the amount of information posted in social sites or stored in devices or cloud repositories. To help in counteracting such issues, we contribute with a database of facial images that includes several manipulations. It includes image enhancement filters (which mostly modify contrast and lightning) and augmented reality filters that incorporate items like animal noses or glasses. Additionally, images with sunglasses are processed with a reconstruction network trained to learn to reverse such modifications. This is because obfuscating the eye region has been observed in the literature to have the highest impact on the accuracy of face detection or recognition. We start from the popular Labeled Faces in the Wild (LFW) database, to which we apply different modifications, generating 8 datasets. Each dataset contains 4,324 images of size 64 x 64, with a total of 34,592 images. The use of a public and widely employed face dataset allows for replication and comparison. The created database is available at https://github.com/HalmstadUniversityBiometrics/LFW-Beautified
• Abstract（参考訳）: 自撮り画像はソーシャルメディアで非常に人気がある。 この種の画像を共有することを中心とした同じプラットフォームは、それらを美化したり、拡張現実の効果を取り入れたりするためのフィルターを提供する。 研究によると、フィルターされた画像はより多くのビューとエンゲージメントを惹きつける。 セルフィー画像は、モバイルが多くのトランザクションのためのデータハブになるため、セキュリティアプリケーションでの利用も増えている。 また、パンデミックの間にブームとなったビデオ会議アプリケーションには、このようなフィルターが含まれる。 このようなフィルターは、たとえそのようなコモディティアプリケーションが必ずしも顔のシステムを侵害するために使われていなくても、人物の認識や顔自体の検出を可能にする生体認証機能を破壊する可能性がある。 これは、ソーシャルメディアにおける犯罪などのその後の調査にも影響する可能性がある。ソーシャルサイトやデバイスやクラウドリポジトリに投稿される情報の量を考えると、通常は自動分析が必要である。 このような問題に対処するのに役立ち、複数の操作を含む顔画像のデータベースにコントリビュートします。 画像強調フィルター(コントラストや稲妻を主に修正する)や、動物の鼻や眼鏡などのアイテムを組み込んだ拡張現実フィルターが含まれている。 さらに、サングラスをかけた画像は、そのような修正を逆転するように訓練された再構成ネットワークで処理される。 これは、視覚領域の難読化が、顔検出や認識の精度に最も大きな影響を与えることが文献で観察されているためである。 まず、人気のあるLFWデータベースのラベル付き顔から始め、異なる修正を加えて、8つのデータセットを生成します。 各データセットには64 x 64の4,324枚の画像があり、合計34,592枚の画像がある。 パブリックかつ広く使用されている顔データセットを使用することで、レプリケーションと比較が可能になる。 作成したデータベースはhttps://github.com/HalmstadUniversityBiometrics/LFW-Beautifiedで入手できる。

関連論文リスト

• Has the Virtualization of the Face Changed Facial Perception? A Study of the Impact of Photo Editing and Augmented Reality on Facial Perception [7.532782211020641]
  顔フィルターの異なるスタイルの親しみやすさと、画像がフィルタリングされているかどうかを識別する能力に関する6つの調査結果を示す。 その結果、従来の顔フィルターで修正された顔は、修正されていない顔と同様に知覚されることがわかった。 本稿では、従来の写真編集技術に対する社会的な調整や、異なる種類のフィルタに固有の違いなど、これらの結果に対する説明の可能性について論じる。
  論文  参考訳（メタデータ） (2023-03-01T16:09:11Z)
• OpenFilter: A Framework to Democratize Research Access to Social Media AR Filters [14.789786314914858]
  ソーシャルメディアプラットフォームで利用可能なARフィルタを、既存の顔の大規模なコレクションに適用するためのフレームワークであるOpenFilterを提示する。 また、FairBeautyとB-LFWも公開しているFairFaceとLFWデータセットの2つの美しいバージョンを共有しています。
  論文  参考訳（メタデータ） (2022-07-19T17:05:25Z)
• FaceMAE: Privacy-Preserving Face Recognition via Masked Autoencoders [81.21440457805932]
  顔のプライバシと認識性能を同時に考慮する新しいフレームワークFaceMAEを提案する。 ランダムにマスクされた顔画像は、FaceMAEの再構築モジュールのトレーニングに使用される。 また、いくつかの公開顔データセット上で十分なプライバシー保護顔認証を行う。
  論文  参考訳（メタデータ） (2022-05-23T07:19:42Z)
• Fun Selfie Filters in Face Recognition: Impact Assessment and Removal [13.715060479044167]
  本研究では,楽しいセルフィーフィルタが顔認識システムに与える影響について検討する。 データベースを作成するために、関連する楽しいセルフィーフィルタが10個選択される。 このような不要な効果を軽減するため,GANに基づく自撮りフィルタ除去アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-12T09:12:31Z)
• On the Effect of Selfie Beautification Filters on Face Detection and Recognition [53.561797148529664]
  ソーシャルメディア画像フィルターは、例えば人工眼鏡や動物の鼻で、画像コントラスト、照明、あるいは顔の一部を妨げる。 U-NETセグメンテーションネットワークの修正版を用いて適用操作を再構築する手法を開発した。 認識の観点からは、顔を認識するために訓練されたResNet-34ネットワークを用いて抽出された特徴に対して、距離測定と訓練された機械学習アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2021-10-17T22:10:56Z)
• Facial Masks and Soft-Biometrics: Leveraging Face Recognition CNNs for Age and Gender Prediction on Mobile Ocular Images [53.913598771836924]
  スマートフォンで撮影した自撮り眼画像を使って年齢や性別を推定します。 ImageNet Challengeの文脈で提案された2つの既存の軽量CNNを適応させる。 一部のネットワークは顔認識のためにさらにトレーニングされており、非常に大規模なトレーニングデータベースが利用可能です。
  論文  参考訳（メタデータ） (2021-03-31T01:48:29Z)
• A Study of Face Obfuscation in ImageNet [94.2949777826947]
  本稿では,imagenetチャレンジにおける画像難読化について検討する。 ImageNetチャレンジのほとんどのカテゴリは、人のカテゴリではありません。 さまざまな深層ニューラルネットワークを顔画像上でベンチマークし、異なるカテゴリに対する異なる影響を観察します。 結果は、顔が破れた画像で学んだ特徴が等しく転送可能であることを示している。
  論文  参考訳（メタデータ） (2021-03-10T17:11:34Z)
• Visual Chirality [51.685596116645776]
  視覚データの統計が反射によってどのように変化するかを検討する。 我々の研究は、データ強化、自己教師付き学習、画像鑑定に影響を及ぼす。
  論文  参考訳（メタデータ） (2020-06-16T20:48:23Z)

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。