論文の概要: RetouchingFFHQ: A Large-scale Dataset for Fine-grained Face Retouching Detection

• arxiv url: http://arxiv.org/abs/2307.10642v1
• Date: Thu, 20 Jul 2023 07:12:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 14:21:02.598182
• Title: RetouchingFFHQ: A Large-scale Dataset for Fine-grained Face Retouching Detection
• Title（参考訳）: retouchingffhq: きめ細かい顔修正検出のための大規模データセット
• Authors: Qichao Ying, Jiaxin Liu, Sheng Li, Haisheng Xu, Zhenxing Qian, Xinpeng Zhang
• Abstract要約: 大規模かつきめ細かい顔リタッチデータセットであるRetouchingFFHQを紹介する。 4種類の顔リタッチ操作と異なる顔リタッチレベルを含むことにより、両顔リタッチ検出を細粒度、マルチリタッチ型、マルチリタッチレベル推定問題に拡張する。
• 参考スコア（独自算出の注目度）: 25.08843970102635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The widespread use of face retouching filters on short-video platforms has raised concerns about the authenticity of digital appearances and the impact of deceptive advertising. To address these issues, there is a pressing need to develop advanced face retouching techniques. However, the lack of large-scale and fine-grained face retouching datasets has been a major obstacle to progress in this field. In this paper, we introduce RetouchingFFHQ, a large-scale and fine-grained face retouching dataset that contains over half a million conditionally-retouched images. RetouchingFFHQ stands out from previous datasets due to its large scale, high quality, fine-grainedness, and customization. By including four typical types of face retouching operations and different retouching levels, we extend the binary face retouching detection into a fine-grained, multi-retouching type, and multi-retouching level estimation problem. Additionally, we propose a Multi-granularity Attention Module (MAM) as a plugin for CNN backbones for enhanced cross-scale representation learning. Extensive experiments using different baselines as well as our proposed method on RetouchingFFHQ show decent performance on face retouching detection. With the proposed new dataset, we believe there is great potential for future work to tackle the challenging problem of real-world fine-grained face retouching detection.
• Abstract（参考訳）: ショートビデオプラットフォームにおける顔のリタッチフィルターの普及は、デジタル外観の正しさと偽装広告の影響を懸念している。 これらの課題に対処するためには、高度な顔修正技術を開発する必要がある。 しかし、大規模かつきめ細かい顔修正データセットの欠如は、この分野の進歩の大きな障害となっている。 本稿では,50万以上の条件付きリタッチ画像を含む大規模かつ細粒度の顔リタッチデータセットであるretouchingffhqを紹介する。 RetouchingFFHQは、その大規模、高品質、きめ細かい粒度、カスタマイズのため、以前のデータセットから際立っている。 4種類の顔リタッチ操作と異なる顔リタッチレベルを含むことにより、両顔リタッチ検出を細粒度、マルチリタッチ型、マルチリタッチレベル推定問題に拡張する。 さらに,クロススケール表現学習のためのcnnバックボーンのためのプラグインとして,マルチグラナラリティアテンションモジュール(mam)を提案する。 異なるベースラインを用いた広範囲な実験と提案手法は顔のリタッチ検出に優れた性能を示す。 提案する新しいデータセットでは、リアルタイムのきめ細かな顔のリタッチ検出の難しい問題に取り組むための、今後の作業には大きな可能性があると考えています。

関連論文リスト

• SUPER: Selfie Undistortion and Head Pose Editing with Identity Preservation [37.89326064230339]
  Superは、クローズアップ顔作物の歪みを排除し、頭部のポーズを調整する新しい方法である。 我々は,カメラパラメータと顔潜時符号を最適化することにより,顔画像の3D GANインバージョンを行う。 得られた潜伏符号から深度を推定し、深度誘導型3Dメッシュを作成し、更新されたカメラパラメータでレンダリングし、歪んだポートレートを得る。
  論文  参考訳（メタデータ） (2024-06-18T15:14:14Z)
• Face2Face: Label-driven Facial Retouching Restoration [8.01225897515609]
  顔画像を変更することで、ユーザは容易に偽画像を作成することができ、偽情報の拡散につながる。 これは、アイデンティティ認証システムやソーシャルメディアの信頼性に課題を生じさせ、さらにはオンライン詐欺にも繋がる可能性がある。 我々はFace2Faceと呼ばれるフレームワークを提案し、顔のリタッチ検出装置、FaceRと呼ばれる画像復元モデル、H-AdaINと呼ばれる色補正モジュールの3つのコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2024-04-22T13:49:42Z)
• GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
  フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。 公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。 我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
  論文  参考訳（メタデータ） (2024-02-03T03:13:50Z)
• Towards Multi-domain Face Landmark Detection with Synthetic Data from Diffusion model [27.307563102526192]
  深層学習に基づく眼球内顔の顔のランドマーク検出は、大幅な改善が達成された。 他の領域(漫画、似顔絵など)では、顔のランドマーク検出にはまだ課題がある。 限られたデータセットと事前学習拡散モデルを効果的に活用する2段階のトレーニング手法を設計する。 提案手法は,マルチドメイン顔ランドマーク検出における既存手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-01-24T02:35:32Z)
• Effective Adapter for Face Recognition in the Wild [72.75516495170199]
  私たちは、画像が低品質で現実世界の歪みに悩まされる、野生の顔認識の課題に取り組みます。 従来のアプローチでは、劣化した画像や、顔の復元技術を使って強化された画像を直接訓練するが、効果がないことが証明された。 高品質な顔データセットで訓練された既存の顔認識モデルを強化するための効果的なアダプタを提案する。
  論文  参考訳（メタデータ） (2023-12-04T08:55:46Z)
• COMICS: End-to-end Bi-grained Contrastive Learning for Multi-face Forgery Detection [56.7599217711363]
  顔偽造認識法は一度に1つの顔しか処理できない。 ほとんどの顔偽造認識法は一度に1つの顔しか処理できない。 マルチフェイスフォージェリ検出のためのエンドツーエンドフレームワークであるCOMICSを提案する。
  論文  参考訳（メタデータ） (2023-08-03T03:37:13Z)
• A Survey of Deep Face Restoration: Denoise, Super-Resolution, Deblur, Artifact Removal [177.21001709272144]
  顔復元(FR)は、低品質(LQ)入力画像から高品質(HQ)顔を復元することを目的としている。 本稿では,顔修復のための深層学習技術の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2022-11-05T07:08:15Z)
• A new face swap method for image and video domains: a technical report [60.47144478048589]
  FaceShifterアーキテクチャに基づいた新しいフェイススワップパイプラインを導入する。 新しいアイロス機能、超解像ブロック、ガウスベースのフェイスマスク生成は、品質改善につながる。
  論文  参考訳（メタデータ） (2022-02-07T10:15:50Z)
• OSTeC: One-Shot Texture Completion [86.23018402732748]
  ワンショット3D顔テクスチャ補完のための教師なしアプローチを提案する。 提案手法では,2次元フェースジェネレータで回転画像を再構成することにより,入力画像を3次元で回転させ,見えない領域を埋め込む。 完成したテクスチャーをジェネレーターに投影することで、ターゲットイメージを先取りします。
  論文  参考訳（メタデータ） (2020-12-30T23:53:26Z)

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。