論文の概要: Learning Representations for Masked Facial Recovery
- arxiv url: http://arxiv.org/abs/2212.14110v1
- Date: Wed, 28 Dec 2022 22:22:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 16:31:46.151526
- Title: Learning Representations for Masked Facial Recovery
- Title(参考訳): 仮面回復のための学習表現
- Authors: Zaigham Randhawa, Shivang Patel, Donald Adjeroh, Gianfranco Doretto
- Abstract要約: 近年のパンデミックは 公共の場で 防護マスクを着用している人が 劇的に増えています
この問題に対処する1つの方法は、前処理のステップとして、フェイスリカバリメソッドに戻ることです。
マスクを被った同一人物の画像から顔画像の復元に特有な方法を提案する。
- 参考スコア(独自算出の注目度): 8.124282476398843
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The pandemic of these very recent years has led to a dramatic increase in
people wearing protective masks in public venues. This poses obvious challenges
to the pervasive use of face recognition technology that now is suffering a
decline in performance. One way to address the problem is to revert to face
recovery methods as a preprocessing step. Current approaches to face
reconstruction and manipulation leverage the ability to model the face
manifold, but tend to be generic. We introduce a method that is specific for
the recovery of the face image from an image of the same individual wearing a
mask. We do so by designing a specialized GAN inversion method, based on an
appropriate set of losses for learning an unmasking encoder. With extensive
experiments, we show that the approach is effective at unmasking face images.
In addition, we also show that the identity information is preserved
sufficiently well to improve face verification performance based on several
face recognition benchmark datasets.
- Abstract(参考訳): 近年のパンデミックにより、公共の場で保護マスクを着用している人が劇的に増加した。
このことは、現在パフォーマンスの低下に苦しんでいる顔認識技術の普及に明らかな課題をもたらしている。
この問題に対処する1つの方法は、前処理ステップとしてフェイスリカバリメソッドに戻ることである。
顔再構成と操作への現在のアプローチは、顔多様体をモデル化する能力を活用するが、汎用的である傾向にある。
マスクを着用した同一人物の画像から顔画像の復元に特有な手法を提案する。
我々は, アンマスクエンコーダの学習に最適な損失セットに基づいて, 特殊なGAN逆変換法を設計する。
広範囲な実験により,このアプローチが顔画像のアンマフティングに有効であることを示す。
さらに,複数の顔認証ベンチマークデータセットに基づく顔認証性能を向上させるために,識別情報が十分に保存されていることも示す。
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) - Face Mask Removal with Region-attentive Face Inpainting [0.7433327915285965]
本研究では,顔のマスク部分の復元・再構成を行う生成顔インペイント法を提案する。
提案手法は,空間情報損失を軽減するため,M-CSAM (M-scale Channel-Spatial Attention Module) を含む。
我々は、CelebAデータセットから5種類のマスクを組み込むことで、独自のMasked-Facesデータセットを合成する。
論文 参考訳(メタデータ) (2024-09-10T20:10:11Z) - Seeing through the Mask: Multi-task Generative Mask Decoupling Face
Recognition [47.248075664420874]
現在の一般的な顔認識システムは、隠蔽シーンに遭遇する際の重大な性能劣化に悩まされている。
本稿では,これら2つのタスクを協調的に扱うために,マルチタスクのgEnerative mask dEcoupling Face Recognition (MEER) ネットワークを提案する。
まず,マスクと識別情報を分離する新しいマスクデカップリングモジュールを提案する。
論文 参考訳(メタデータ) (2023-11-20T03:23:03Z) - 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) - Restricted Black-box Adversarial Attack Against DeepFake Face Swapping [70.82017781235535]
本稿では,顔画像偽造モデルに対する問い合わせを一切必要としない現実的な敵攻撃を提案する。
本手法は,顔の再構成を行う代用モデルに基づいて構築され,置換モデルから非アクセス可能なブラックボックスDeepFakeモデルへの逆例を直接転送する。
論文 参考訳(メタデータ) (2022-04-26T14:36:06Z) - Mask-invariant Face Recognition through Template-level Knowledge
Distillation [3.727773051465455]
マスクは従来の顔認識システムの性能に影響を与える。
マスク不変顔認識ソリューション(MaskInv)を提案する。
蒸留された知識に加えて、学生ネットワークは、マージンベースのアイデンティティ分類損失による追加ガイダンスの恩恵を受ける。
論文 参考訳(メタデータ) (2021-12-10T16:19:28Z) - MLFW: A Database for Face Recognition on Masked Faces [56.441078419992046]
Masked LFW (MLFW) は、マスクのない顔からマスクされた顔を自動的に生成するツールである。
SOTAモデルの認識精度は、元の画像の精度と比較して、MLFWデータベース上で5%-16%低下する。
論文 参考訳(メタデータ) (2021-09-13T09:30:10Z) - Multi-Dataset Benchmarks for Masked Identification using Contrastive
Representation Learning [0.0]
新型コロナウイルスのパンデミックは世界中で受け入れられた基準を大きく変えた。
パスポート、運転免許証、国籍カードなどの公式文書には、完全な顔画像が登録されている。
空港やセキュリティチェックポイントでは、マスクの取り外しを依頼するのではなく、識別文書の未マスク画像とマスク付き人物とを一致させる方が安全である。
本稿では,マスクとマスクのない顔マッチングに特化した,視覚表現学習に基づく事前学習ワークフローを提案する。
論文 参考訳(メタデータ) (2021-06-10T08:58:10Z) - Unmasking Face Embeddings by Self-restrained Triplet Loss for Accurate
Masked Face Recognition [6.865656740940772]
マスク付き顔認識性能を改善するためのソリューションを提案する。
具体的には,既存の顔認識モデル上で動作させるEmbedding Unmasking Model (EUM)を提案する。
また、EUMが同一アイデンティティのマスクされていない顔のこれらに類似した埋め込みを作成することを可能にする新しい損失関数、自己拘束トリプルト(SRT)を提案します。
論文 参考訳(メタデータ) (2021-03-02T13:43:11Z) - Towards Face Encryption by Generating Adversarial Identity Masks [53.82211571716117]
敵の識別マスクを生成するためのターゲットID保護反復法(TIP-IM)を提案する。
TIP-IMは、様々な最先端の顔認識モデルに対して95%以上の保護成功率を提供する。
論文 参考訳(メタデータ) (2020-03-15T12:45:10Z)
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。