論文の概要: DigiFace-1M: 1 Million Digital Face Images for Face Recognition
- arxiv url: http://arxiv.org/abs/2210.02579v1
- Date: Wed, 5 Oct 2022 22:02:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 16:46:59.647302
- Title: DigiFace-1M: 1 Million Digital Face Images for Face Recognition
- Title(参考訳): DigiFace-1M: 顔認識のための100万のデジタル顔画像
- Authors: Gwangbin Bae, Martin de La Gorce, Tadas Baltrusaitis, Charlie Hewitt,
Dong Chen, Julien Valentin, Roberto Cipolla, Jingjing Shen
- Abstract要約: 最先端の顔認識モデルは、Wildデータセットのラベル付き顔に対して99.8%以上の精度で達成されている。
コンピュータグラフィックスパイプラインを用いてデジタル顔の描画によって得られた顔認識のための大規模合成データセットを提案する。
- 参考スコア(独自算出の注目度): 25.31469201712699
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: State-of-the-art face recognition models show impressive accuracy, achieving
over 99.8% on Labeled Faces in the Wild (LFW) dataset. Such models are trained
on large-scale datasets that contain millions of real human face images
collected from the internet. Web-crawled face images are severely biased (in
terms of race, lighting, make-up, etc) and often contain label noise. More
importantly, the face images are collected without explicit consent, raising
ethical concerns. To avoid such problems, we introduce a large-scale synthetic
dataset for face recognition, obtained by rendering digital faces using a
computer graphics pipeline. We first demonstrate that aggressive data
augmentation can significantly reduce the synthetic-to-real domain gap. Having
full control over the rendering pipeline, we also study how each attribute
(e.g., variation in facial pose, accessories and textures) affects the
accuracy. Compared to SynFace, a recent method trained on GAN-generated
synthetic faces, we reduce the error rate on LFW by 52.5% (accuracy from 91.93%
to 96.17%). By fine-tuning the network on a smaller number of real face images
that could reasonably be obtained with consent, we achieve accuracy that is
comparable to the methods trained on millions of real face images.
- Abstract(参考訳): 最先端の顔認識モデルは、LFWデータセットで99.8%以上の精度で達成されている。
このようなモデルは、インターネットから収集された数百万の実際の顔画像を含む大規模データセットでトレーニングされる。
ウェブクローリングされた顔画像は(人種、照明、メイクアップなど)ひどく偏りがあり、しばしばラベルノイズを含んでいる。
さらに重要なのは、顔画像は明示的な同意なしに収集され、倫理的懸念が高まることだ。
このような問題を避けるため、コンピュータグラフィックスパイプラインを用いてデジタル顔の描画によって得られる顔認識のための大規模な合成データセットを導入する。
まず,アグレッシブなデータ拡張が合成と実領域のギャップを大幅に削減できることを実証する。
レンダリングパイプラインを完全に制御すると同時に,各属性(顔のポーズやアクセサリ,テクスチャの変化など)が精度に与える影響についても検討する。
GAN合成顔で訓練された最近のSynFaceと比較して、LFWの誤差率を52.5%削減する(精度は91.93%から96.17%)。
ネットワークを少数の実顔画像に微調整し、同意を得て合理的に取得することで、何百万もの実顔画像で訓練された方法に匹敵する精度を得る。
関連論文リスト
- OSDFace: One-Step Diffusion Model for Face Restoration [72.5045389847792]
拡散モデルは、顔の修復において顕著な性能を示した。
顔復元のための新しいワンステップ拡散モデルOSDFaceを提案する。
その結果,OSDFaceは現状のSOTA(State-of-the-art)手法を視覚的品質と定量的指標の両方で上回っていることがわかった。
論文 参考訳(メタデータ) (2024-11-26T07:07:48Z) - DiffusionFace: Towards a Comprehensive Dataset for Diffusion-Based Face Forgery Analysis [71.40724659748787]
DiffusionFaceは、最初の拡散ベースのフェイスフォージェリーデータセットである。
非条件およびテキストガイドの顔画像生成、Img2Img、Inpaint、Diffusionベースの顔交換アルゴリズムなど、さまざまなフォージェリーカテゴリをカバーする。
重要なメタデータと、評価のための実世界のインターネットソースの偽顔画像データセットを提供する。
論文 参考訳(メタデータ) (2024-03-27T11:32:44Z) - FaceOcc: A Diverse, High-quality Face Occlusion Dataset for Human Face
Extraction [3.8502825594372703]
隠蔽は野生の顔画像にしばしば発生し、ランドマーク検出や3D再構成、顔認識といった顔関連の課題に悩まされる。
本稿では,CelebA本社とインターネットから手動で顔の隠蔽をラベル付けした新しい顔のセグメンテーションデータセットを提案する。
簡単な顔分割モデルの訓練を行ったが,SOTA性能が得られ,提案したデータセットの有効性を実証した。
論文 参考訳(メタデータ) (2022-01-20T19:44:18Z) - FaceEraser: Removing Facial Parts for Augmented Reality [10.575917056215289]
私たちの仕事は、すべての顔部分を取り除き、拡張現実のために空白の顔に視覚的要素を課すことです。
本研究では,空白の顔によく似通ったペアトレーニングデータを生成する新しいデータ生成手法を提案する。
提案手法は商用製品に統合され,その有効性は制約のないユーザ入力で検証されている。
論文 参考訳(メタデータ) (2021-09-22T14:30:12Z) - End2End Occluded Face Recognition by Masking Corrupted Features [82.27588990277192]
最先端の一般的な顔認識モデルは、隠蔽された顔画像に対してうまく一般化しない。
本稿では,1つのエンドツーエンドのディープニューラルネットワークに基づいて,オクルージョンに頑健な新しい顔認識手法を提案する。
我々のアプローチは、深い畳み込みニューラルネットワークから破損した特徴を発見し、動的に学習されたマスクによってそれらをきれいにする。
論文 参考訳(メタデータ) (2021-08-21T09:08:41Z) - 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) - FedFace: Collaborative Learning of Face Recognition Model [66.84737075622421]
FedFaceは顔認識モデルの協調学習のためのフレームワークである。
各クライアントに格納された顔画像が、他のクライアントや中央ホストと共有されない、正確で汎用的な顔認識モデルを学ぶ。
コードとトレーニング済みモデルは公開される予定です。
論文 参考訳(メタデータ) (2021-04-07T09:25:32Z) - Learning Inverse Rendering of Faces from Real-world Videos [52.313931830408386]
既存の方法は、顔画像を3つの構成要素(アルベド、ノーマル、照明)に分解する。
本稿では,アルベドと正常の整合性の仮定に基づいて,我々のモデルを実顔ビデオでトレーニングするための弱い教師付きトレーニング手法を提案する。
私たちのネットワークは、実データと合成データの両方で訓練されています。
論文 参考訳(メタデータ) (2020-03-26T17:26:40Z)
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。