論文の概要: FaceQAN: Face Image Quality Assessment Through Adversarial Noise Exploration

• arxiv url: http://arxiv.org/abs/2212.02127v1
• Date: Mon, 5 Dec 2022 09:37:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 17:33:53.718601
• Title: FaceQAN: Face Image Quality Assessment Through Adversarial Noise Exploration
• Title（参考訳）: FaceQAN: 敵対的ノイズ探索による顔画像品質評価
• Authors: \v{Z}iga Babnik, Peter Peer, Vitomir \v{S}truc
• Abstract要約: 本稿では,顔画像品質評価手法であるFaceQANを提案する。 このようにして,画像品質を敵攻撃にリンクする手法が提案されている。 実験の結果,FaceQANはいくつかの望ましい特徴を示しながら,競争的な結果が得られることがわかった。
• 参考スコア（独自算出の注目度）: 1.217503190366097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent state-of-the-art face recognition (FR) approaches have achieved impressive performance, yet unconstrained face recognition still represents an open problem. Face image quality assessment (FIQA) approaches aim to estimate the quality of the input samples that can help provide information on the confidence of the recognition decision and eventually lead to improved results in challenging scenarios. While much progress has been made in face image quality assessment in recent years, computing reliable quality scores for diverse facial images and FR models remains challenging. In this paper, we propose a novel approach to face image quality assessment, called FaceQAN, that is based on adversarial examples and relies on the analysis of adversarial noise which can be calculated with any FR model learned by using some form of gradient descent. As such, the proposed approach is the first to link image quality to adversarial attacks. Comprehensive (cross-model as well as model-specific) experiments are conducted with four benchmark datasets, i.e., LFW, CFP-FP, XQLFW and IJB-C, four FR models, i.e., CosFace, ArcFace, CurricularFace and ElasticFace, and in comparison to seven state-of-the-art FIQA methods to demonstrate the performance of FaceQAN. Experimental results show that FaceQAN achieves competitive results, while exhibiting several desirable characteristics.
• Abstract（参考訳）: 最近の最先端の顔認識(FR)アプローチは目覚ましい性能を達成したが、制約のない顔認識は依然として未解決の問題である。 顔画像品質評価(FIQA)アプローチは、認識決定の信頼性に関する情報提供に役立つ入力サンプルの品質を推定することを目的としており、最終的には挑戦的なシナリオにおける結果の改善につながる。 近年、顔画像の品質評価において多くの進歩が見られるが、多様な顔画像やFRモデルの信頼性の高い品質スコアの計算は依然として困難である。 本稿では,顔画像品質評価のための新しいアプローチであるfaceqanを提案する。これは逆例に基づいており,ある種の勾配降下を用いて学習した任意のfrモデルで計算可能な逆雑音の分析に依存している。 このようにして、画像品質を敵攻撃にリンクする手法が提案されている。 総合的な(クロスモデルとモデル固有の)実験は、LFW、CFP-FP、XQLFW、IJB-Cの4つのベンチマークデータセット、CosFace、ArcFace、CuricularFace、ElasticFaceの4つのFRモデル、そしてFaceQANのパフォーマンスを示す7つの最先端FIQAメソッドで実施されている。 実験の結果,FaceQANはいくつかの望ましい特徴を示しながら,競争的な結果が得られることがわかった。

関連論文リスト

• Rank-based No-reference Quality Assessment for Face Swapping [88.53827937914038]
  顔スワップ法における品質測定の基準は、操作された画像とソース画像の間のいくつかの距離に依存する。 顔スワップ用に設計された新しい非参照画像品質評価法(NR-IQA)を提案する。
  論文  参考訳（メタデータ） (2024-06-04T01:36:29Z)
• Optimization-Based Improvement of Face Image Quality Assessment Techniques [5.831942593046074]
  顔画像品質評価(FIQA)技術は、認識プロセスに役立つ入力顔画像からサンプル品質情報を推測しようとする。 本稿では,既存のFIQA技術の性能向上を目的とした品質ラベル最適化手法を提案する。 提案手法を6つの最先端FIQA手法による包括的実験で評価した。
  論文  参考訳（メタデータ） (2023-05-24T08:06:12Z)
• Blind Face Restoration: Benchmark Datasets and a Baseline Model [63.053331687284064]
  Blind Face Restoration (BFR) は、対応する低品質 (LQ) 入力から高品質 (HQ) の顔画像を構築することを目的としている。 EDFace-Celeb-1M (BFR128) と EDFace-Celeb-150K (BFR512) と呼ばれる2つのブラインドフェイス復元ベンチマークデータセットを最初に合成する。 最先端の手法は、ブラー、ノイズ、低解像度、JPEG圧縮アーティファクト、それらの組み合わせ(完全な劣化)の5つの設定でベンチマークされる。
  論文  参考訳（メタデータ） (2022-06-08T06:34:24Z)
• Conformer and Blind Noisy Students for Improved Image Quality Assessment [80.57006406834466]
  知覚品質評価(IQA)のための学習ベースアプローチは、通常、知覚品質を正確に測定するために歪んだ画像と参照画像の両方を必要とする。 本研究では,変換器を用いた全参照IQAモデルの性能について検討する。 また,全教師モデルから盲人学生モデルへの半教師付き知識蒸留に基づくIQAの手法を提案する。
  論文  参考訳（メタデータ） (2022-04-27T10:21:08Z)
• AdaFace: Quality Adaptive Margin for Face Recognition [56.99208144386127]
  本稿では、損失関数、すなわち画像品質における適応性の別の側面を紹介する。 そこで本稿では,画像品質に基づいて異なる難易度を示す新たな損失関数を提案する。 提案手法は,4つのデータセット上でのSoTA(State-of-the-art)による顔認識性能を向上させる。
  論文  参考訳（メタデータ） (2022-04-03T01:23:41Z)
• FaceQgen: Semi-Supervised Deep Learning for Face Image Quality Assessment [19.928262020265965]
  FaceQgenは、ジェネレーティブ・アドバイサル・ネットワークに基づく顔画像の非参照品質評価手法である。 顔認識精度に関連するスカラー品質尺度を生成する。 SCfaceデータベースを使用して、スクラッチからトレーニングされる。
  論文  参考訳（メタデータ） (2022-01-03T17:22:38Z)
• Cross-Quality LFW: A Database for Analyzing Cross-Resolution Image Face Recognition in Unconstrained Environments [8.368543987898732]
  現実世界の顔認識アプリケーションは、異なるキャプチャ条件のために、最適な画像の品質や解像度を扱うことが多い。 最近のクロスレゾリューション顔認識手法は、画像品質における現実のエッジケースとの距離を測定するために、単純で任意で非現実的なダウンスケールとアップスケーリングの手法を用いている。 本稿では,Wildにおける有名なラベル付き顔から派生した,新しい標準ベンチマークデータセットと評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2021-08-23T17:04:32Z)
• Deep Tiny Network for Recognition-Oriented Face Image Quality Assessment [26.792481400792376]
  多くの顔認識(FR)のシナリオでは、顔画像は大きな変分を含むシーケンスから取得される。 本稿では、画像品質評価(IQA)とFRを直接リンクするFRの非参照画像品質評価を行う。 提案した品質測定に基づいて,データから品質予測関数を学習する深層顔品質ネットワーク(tinyFQnet)を提案する。
  論文  参考訳（メタデータ） (2021-06-09T07:20:54Z)
• Joint Face Image Restoration and Frontalization for Recognition [79.78729632975744]
  現実世界のシナリオでは、大きなポーズ、悪い照明、低解像度、ぼやけ、ノイズなど、多くの要因が顔認識性能を損なう可能性がある。 それまでの努力は通常、まず品質の低い顔から高品質な顔に復元し、次に顔認識を行う。 与えられた低品質の顔からフロンダル化された高品質の顔を復元する多段階顔復元モデルを提案する。
  論文  参考訳（メタデータ） (2021-05-12T03:52:41Z)
• Inducing Predictive Uncertainty Estimation for Face Recognition [102.58180557181643]
  顔画像の「マッドペア」から画像品質訓練データを自動的に生成する手法を提案する。 生成したデータを用いて、顔画像の信頼度を推定するために、PCNetと呼ばれる軽量な予測信頼ネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-09-01T17:52:00Z)

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。