論文の概要: Optimization-Based Improvement of Face Image Quality Assessment
Techniques
- arxiv url: http://arxiv.org/abs/2305.14856v1
- Date: Wed, 24 May 2023 08:06:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-25 18:20:54.554508
- Title: Optimization-Based Improvement of Face Image Quality Assessment
Techniques
- Title(参考訳): 顔画像品質評価手法の最適化による改善
- Authors: \v{Z}iga Babnik, Naser Damer, Vitomir \v{S}truc
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.831942593046074
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Contemporary face recognition (FR) models achieve near-ideal recognition
performance in constrained settings, yet do not fully translate the performance
to unconstrained (realworld) scenarios. To help improve the performance and
stability of FR systems in such unconstrained settings, face image quality
assessment (FIQA) techniques try to infer sample-quality information from the
input face images that can aid with the recognition process. While existing
FIQA techniques are able to efficiently capture the differences between high
and low quality images, they typically cannot fully distinguish between images
of similar quality, leading to lower performance in many scenarios. To address
this issue, we present in this paper a supervised quality-label optimization
approach, aimed at improving the performance of existing FIQA techniques. The
developed optimization procedure infuses additional information (computed with
a selected FR model) into the initial quality scores generated with a given
FIQA technique to produce better estimates of the "actual" image quality. We
evaluate the proposed approach in comprehensive experiments with six
state-of-the-art FIQA approaches (CR-FIQA, FaceQAN, SER-FIQ, PCNet, MagFace,
SDD-FIQA) on five commonly used benchmarks (LFW, CFPFP, CPLFW, CALFW, XQLFW)
using three targeted FR models (ArcFace, ElasticFace, CurricularFace) with
highly encouraging results.
- Abstract(参考訳): 現代の顔認識(fr)モデルは、制約された設定で理想に近い認識性能を達成するが、制約のない(現実の)シナリオに完全には変換しない。
このような制約のない環境でのFRシステムの性能と安定性を向上させるため、FIQA(face Image Quality Assessment)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。
既存のfiqa技術は、高品質画像と低品質画像の違いを効率的に捉えることができるが、それらは通常、同じ品質の画像と完全に区別できないため、多くのシナリオでパフォーマンスが低下する。
この問題に対処するため,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。
改良された最適化手法は、与えられたFIQA技術で生成された初期品質スコアに追加情報(選択されたFRモデルで計算)を注入し、「実際の」画像品質のより良い推定値を生成する。
提案手法は,6種類の最先端FIQAアプローチ (CR-FIQA, FaceQAN, SER-FIQ, PCNet, MagFace, SDD-FIQA) を,3つのターゲットFRモデル (ArcFace, ElasticFace, CurricularFace) を用いて,一般に使用されているベンチマーク (LFW, CFPFP, CPLFW, CALFW, XQLFW) で評価した。
関連論文リスト
- DifFIQA: Face Image Quality Assessment Using Denoising Diffusion
Probabilistic Models [1.217503190366097]
顔画像品質評価(FIQA)技術は、これらの性能劣化を軽減することを目的としている。
拡散確率モデル(DDPM)に基づく強力な新しいFIQA手法DifFIQAを提案する。
拡散に基づく摂動は計算コストが高いため、DifFIQA(R)と呼ばれる回帰ベースの品質予測器にDifFIQAで符号化された知識を蒸留する。
論文 参考訳(メタデータ) (2023-05-09T21:03:13Z) - FaceQAN: Face Image Quality Assessment Through Adversarial Noise
Exploration [1.217503190366097]
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。
論文 参考訳(メタデータ) (2022-12-05T09:37:32Z) - Iterative Optimization of Pseudo Ground-Truth Face Image Quality Labels [0.0]
顔画像品質評価(FIQA)技術は、品質の悪いデータを拒否するのに使用できるサンプル品質情報を提供する。
本稿では,マットペアの類似点からのサンプル品質情報を品質予測に組み込んだ品質ラベル最適化手法を提案する。
提案手法は3つの多様なデータセットに対して3つの最先端FIQA手法を用いて評価する。
論文 参考訳(メタデータ) (2022-08-31T08:24:09Z) - 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) - Learning Transformer Features for Image Quality Assessment [53.51379676690971]
本稿では,CNNバックボーンとトランスフォーマーエンコーダを用いて特徴抽出を行うIQAフレームワークを提案する。
提案するフレームワークはFRモードとNRモードの両方と互換性があり、共同トレーニング方式が可能である。
論文 参考訳(メタデータ) (2021-12-01T13:23:00Z) - 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) - Task-Specific Normalization for Continual Learning of Blind Image
Quality Models [105.03239956378465]
視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。
このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。
我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。
最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
論文 参考訳(メタデータ) (2021-07-28T15:21:01Z) - 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) - 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) - Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and
Wild [98.48284827503409]
我々は,テキスト化BIQAモデルを開発し,それを合成的および現実的歪みの両方で訓練するアプローチを提案する。
我々は、多数の画像ペアに対してBIQAのためのディープニューラルネットワークを最適化するために、忠実度損失を用いる。
6つのIQAデータベースの実験は、実験室と野生動物における画像品質を盲目的に評価する学習手法の可能性を示唆している。
論文 参考訳(メタデータ) (2020-05-28T13:35:23Z)
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。