論文の概要: Facke: a Survey on Generative Models for Face Swapping
- arxiv url: http://arxiv.org/abs/2206.11203v1
- Date: Wed, 22 Jun 2022 16:41:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 14:08:52.115875
- Title: Facke: a Survey on Generative Models for Face Swapping
- Title(参考訳): facke:顔交換のための生成モデルに関する調査
- Authors: Wei Jiang and Wentao Dong
- Abstract要約: 顔交換作業における主観的ニューラル生成モデルの性能について検討する。
既存の精巧に訓練されたモデルは、肉眼で識別できない偽の顔(Facke)を生成し、高い客観的な測定値を得ることができた。
- 参考スコア(独自算出の注目度): 5.067625981075993
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we investigate into the performance of mainstream neural
generative models on the very task of swapping faces. We have experimented on
CVAE, CGAN, CVAE-GAN, and conditioned diffusion models. Existing finely trained
models have already managed to produce fake faces (Facke) indistinguishable to
the naked eye as well as achieve high objective metrics. We perform a
comparison among them and analyze their pros and cons. Furthermore, we proposed
some promising tricks though they do not apply to this task.
- Abstract(参考訳): 本研究では,顔交換のタスクにおいて,主流のニューラル生成モデルの性能について検討する。
CVAE,CGAN,CVAE-GAN,条件付き拡散モデルについて実験を行った。
既存の精巧に訓練されたモデルは、肉眼で識別できない偽の顔(Facke)を生成し、高い客観的な測定値を得ることができた。
私たちはそれらの比較を行い、彼らの長所と短所を分析します。
さらに,この課題には適用されないが,有望なトリックをいくつか提案した。
関連論文リスト
- Generalized Face Liveness Detection via De-spoofing Face Generator [58.7043386978171]
以前のFace Anti-Spoofing (FAS) の作業は、目に見えない領域における一般化という課題に直面している。
De-spoofing Face Generator (DFG) によるモデル一般化を改善するために, 現実の顔を利用する Anomalous cue Guided FAS (AG-FAS) 方式を実行する。
次に,Anomalous cue Guided FAS feature extract Network (AG-Net)を提案する。
論文 参考訳(メタデータ) (2024-01-17T06:59:32Z) - FitDiff: Robust monocular 3D facial shape and reflectance estimation
using Diffusion Models [85.45528952520468]
拡散型3次元顔アバター生成モデルFitDiffを提案する。
この装置は、"in-the-the-wild" 2D顔画像から抽出されたアイデンティティ埋め込みを利用して、再生可能な顔アバターを生成する。
顔認識の埋め込みを前提とした最初のLCMであるFitDiffは、一般的なレンダリングエンジンで使用可能な、ライティング可能な人間のアバターを再構築する。
論文 参考訳(メタデータ) (2023-12-07T17:35:49Z) - OMG-ATTACK: Self-Supervised On-Manifold Generation of Transferable
Evasion Attacks [17.584752814352502]
Evasion Attacks (EA) は、入力データを歪ませることで、トレーニングされたニューラルネットワークの堅牢性をテストするために使用される。
本稿では, 自己教師型, 計算的経済的な手法を用いて, 対逆例を生成する手法を提案する。
我々の実験は、この手法が様々なモデル、目に見えないデータカテゴリ、さらには防御されたモデルで有効であることを一貫して実証している。
論文 参考訳(メタデータ) (2023-10-05T17:34:47Z) - An Efficient Membership Inference Attack for the Diffusion Model by
Proximal Initialization [58.88327181933151]
本稿では,効率的なクエリベースのメンバシップ推論攻撃(MIA)を提案する。
実験結果から,提案手法は離散時間と連続時間の両方の拡散モデル上で,2つのクエリで競合性能を達成できることが示唆された。
我々の知る限り、本研究はテキスト音声タスクにおけるMIAへの拡散モデルのロバスト性について初めて研究するものである。
論文 参考訳(メタデータ) (2023-05-26T16:38:48Z) - DiffFace: Diffusion-based Face Swapping with Facial Guidance [24.50570533781642]
DiffFaceと呼ばれる拡散型顔交換フレームワークを初めて提案する。
トレーニングID条件DDPM、顔誘導によるサンプリング、および目標保存ブレンディングで構成されている。
DiffFaceは、トレーニングの安定性、高い忠実度、サンプルの多様性、制御性など、よりよいメリットを実現している。
論文 参考訳(メタデータ) (2022-12-27T02:51:46Z) - Face Animation with Multiple Source Images [0.0]
本稿では,顔アニメーションの性能を向上させるためのフレキシブルで汎用的なアプローチを提案する。
我々は、顔の事前知識の欠如に対する補償として、複数のソースイメージを入力として使用する。
論文 参考訳(メタデータ) (2022-12-01T03:46:52Z) - Rethinking Bias Mitigation: Fairer Architectures Make for Fairer Face
Recognition [107.58227666024791]
顔認識システムは、法執行を含む安全クリティカルなアプリケーションに広くデプロイされている。
彼らは、性別や人種など、様々な社会的デデノグラフィー次元に偏見を示す。
バイアス軽減に関するこれまでの研究は、主にトレーニングデータの事前処理に重点を置いていた。
論文 参考訳(メタデータ) (2022-10-18T15:46:05Z) - Simultaneous face detection and 360 degree headpose estimation [0.0]
顔検出モデルから抽出した特徴を利用するマルチタスクネットモデルを提案する。
マルチタスク学習手法を用いることで、マルチタスクネットモデルは人間の頭の位置と方向を同時に予測できる。
論文 参考訳(メタデータ) (2021-11-23T01:56:10Z) - Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual
Model-Based Reinforcement Learning [109.74041512359476]
視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。
潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。
我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
論文 参考訳(メタデータ) (2020-12-08T18:03:21Z) - The FaceChannel: A Fast & Furious Deep Neural Network for Facial
Expression Recognition [71.24825724518847]
顔の表情の自動認識(FER)の最先端モデルは、非常に深いニューラルネットワークに基づいており、訓練には効果的だがかなり高価である。
私たちは、一般的なディープニューラルネットワークよりもはるかに少ないパラメータを持つ軽量ニューラルネットワークであるFaceChannelを形式化します。
我々は、私たちのモデルがFERの現在の最先端技術に匹敵するパフォーマンスを達成する方法を実証する。
論文 参考訳(メタデータ) (2020-09-15T09:25:37Z)
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。