論文の概要: FaceFormer: Scale-aware Blind Face Restoration with Transformers

• arxiv url: http://arxiv.org/abs/2207.09790v1
• Date: Wed, 20 Jul 2022 10:08:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 13:44:04.851782
• Title: FaceFormer: Scale-aware Blind Face Restoration with Transformers
• Title（参考訳）: faceformer: トランスフォーマーによるスケールアウェアブラインドフェイスの復元
• Authors: Aijin Li, Gen Li, Lei Sun, Xintao Wang
• Abstract要約: そこで我々は,顔の特徴回復をスケール・アウェア・トランスフォーメーションとして定式化する,FaceFormerという新しい顔修復フレームワークを提案する。 提案手法は, 合成データセットを用いて, 現在の最先端画像よりも, 自然な低品質画像を一般化する。
• 参考スコア（独自算出の注目度）: 18.514630131883536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Blind face restoration usually encounters with diverse scale face inputs, especially in the real world. However, most of the current works support specific scale faces, which limits its application ability in real-world scenarios. In this work, we propose a novel scale-aware blind face restoration framework, named FaceFormer, which formulates facial feature restoration as scale-aware transformation. The proposed Facial Feature Up-sampling (FFUP) module dynamically generates upsampling filters based on the original scale-factor priors, which facilitate our network to adapt to arbitrary face scales. Moreover, we further propose the facial feature embedding (FFE) module which leverages transformer to hierarchically extract diversity and robustness of facial latent. Thus, our FaceFormer achieves fidelity and robustness restored faces, which possess realistic and symmetrical details of facial components. Extensive experiments demonstrate that our proposed method trained with synthetic dataset generalizes better to a natural low quality images than current state-of-the-arts.
• Abstract（参考訳）: ブラインドフェイスの復元は通常、特に現実世界において様々な規模の顔入力に遭遇する。 しかし、現在の作業のほとんどは特定のスケールフェイスをサポートしており、実際のシナリオにおけるアプリケーションの能力を制限する。 そこで本研究では,顔特徴の復元をスケール認識変換として定式化した新しい顔貌復元フレームワークfaceformerを提案する。 提案するface feature up-sampling(ffup)モジュールは、元のスケールファクタプリエントに基づいて、動的にアップサンプリングフィルタを生成します。 さらに,トランスフォーマーを利用して顔潜伏者の多様性とロバスト性を階層的に抽出する顔特徴埋め込み(ffe)モジュールを提案する。 これにより、顔成分のリアルで対称的な詳細を有する、忠実性と堅牢性が回復した顔が得られる。 総合的な実験により, 提案手法は, 現在の最先端技術よりも, 自然な低品質画像に一般化できることを示した。

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)
• A Generalist FaceX via Learning Unified Facial Representation [77.74407008931486]
  FaceXは、多様な顔タスクを同時に処理できる新しい顔ジェネラリストモデルである。 汎用的なFaceXは、一般的な顔編集タスクの精巧なタスク特化モデルと比較して、競争性能が向上する。
  論文  参考訳（メタデータ） (2023-12-31T17:41:48Z)
• Face Transformer: Towards High Fidelity and Accurate Face Swapping [54.737909435708936]
  Face swappingは、ソース顔の同一性とターゲット顔の属性を融合させるスワップ画像を生成することを目的としている。 本稿では,顔の同一性と対象属性を同時に正確に保存できる新しい顔交換ネットワークであるFace Transformerを提案する。
  論文  参考訳（メタデータ） (2023-04-05T15:51:44Z)
• End-to-end Face-swapping via Adaptive Latent Representation Learning [12.364688530047786]
  本稿では,高精細・高精細・高精細・高精細・高精細な顔交換のための新しいエンドツーエンド統合フレームワークを提案する。 顔の知覚とブレンドをエンドツーエンドのトレーニングとテストのプロセスに統合することで、野生の顔に高いリアルな顔スワッピングを実現することができる。
  論文  参考訳（メタデータ） (2023-03-07T19:16:20Z)
• Enhancing Quality of Pose-varied Face Restoration with Local Weak Feature Sensing and GAN Prior [29.17397958948725]
  本稿では,前向きに顔の再生を行うブラインド・フェイス・リカバリ・ネットワークを提案する。 我々のモデルは、顔の復元や顔の超解像処理において、従来の技術よりも優れている。
  論文  参考訳（メタデータ） (2022-05-28T09:23:48Z)
• Face Deblurring Based on Separable Normalization and Adaptive Denormalization [25.506065804812522]
  Face Deblurringは、より明示的な構造と顔の詳細で、ぼやけた入力画像から透明な顔イメージを復元することを目的としている。 我々は、分離可能な正規化と適応的な非正規化に基づく効果的な顔分解ネットワークを設計する。 CelebAとCelebA-HQの両方のデータセットの実験結果から、提案した顔劣化ネットワークは、より詳細な顔構造を復元することが示された。
  論文  参考訳（メタデータ） (2021-12-18T03:42:23Z)
• TANet: A new Paradigm for Global Face Super-resolution via Transformer-CNN Aggregation Network [72.41798177302175]
  本稿では, 顔構造特徴の表現能力を完全に探求する自己認識機構(すなわち Transformer のコア)に基づく新しいパラダイムを提案する。 具体的には、2つの経路からなるTransformer-CNNアグリゲーションネットワーク(TANet)を設計する。 上記の2つの経路から特徴を集約することにより、グローバルな顔の構造の整合性と局所的な顔のディテール復元の忠実度を同時に強化する。
  論文  参考訳（メタデータ） (2021-09-16T18:15:07Z)
• HifiFace: 3D Shape and Semantic Prior Guided High Fidelity Face Swapping [116.1022638063613]
  本研究では,光源面の顔形状を保存し,写真リアルな結果を生成できるHifiFaceを提案する。 本稿では,エンコーダとデコーダの組み合わせを最適化するSemantic Facial Fusionモジュールを提案する。
  論文  参考訳（メタデータ） (2021-06-18T07:39:09Z)
• Towards Real-World Blind Face Restoration with Generative Facial Prior [19.080349401153097]
  盲目の顔の復元は通常、現実的で忠実な詳細を復元するために、顔の形状の事前または参照などの顔の優先度に依存します。 本稿では,前訓練顔GANにカプセル化される多彩で多様な前駆体を利用してブラインドフェイス修復を行うGFP-GANを提案する。 本手法は,合成データと実世界データの両方において,先行技術よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-01-11T17:54:38Z)
• DotFAN: A Domain-transferred Face Augmentation Network for Pose and Illumination Invariant Face Recognition [94.96686189033869]
  本稿では,3次元モデルを用いたドメイン転送型顔強調ネットワーク(DotFAN)を提案する。 DotFANは、他のドメインから収集された既存のリッチフェイスデータセットから抽出された知識に基づいて、入力顔の一連の変種を生成することができる。 実験によると、DotFANは、クラス内の多様性を改善するために、小さな顔データセットを増やすのに有益である。
  論文  参考訳（メタデータ） (2020-02-23T08:16:34Z)

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。