Fugu-MT 論文翻訳(概要): ChildGAN: Large Scale Synthetic Child Facial Data Using Domain Adaptation in StyleGAN

論文の概要: ChildGAN: Large Scale Synthetic Child Facial Data Using Domain Adaptation in StyleGAN

arxiv url: http://arxiv.org/abs/2307.13746v1
Date: Tue, 25 Jul 2023 18:04:52 GMT
ステータス: 処理完了
システム内更新日: 2023-07-27 14:47:16.774444
Title: ChildGAN: Large Scale Synthetic Child Facial Data Using Domain Adaptation in StyleGAN
Title（参考訳）: ChildGAN:StyleGANにおけるドメイン適応を用いた大規模合成顔データ
Authors: Muhammad Ali Farooq, Wang Yao, Gabriel Costache, Peter Corcoran
Abstract要約: ChildGANは、転写学習を用いてスムーズなドメイン転送を実行することで構築される。データセットは300万以上の異なるデータサンプルで構成されている。その結果,高画質の合成顔データにより,実子から大規模データセットを収集するコストと複雑さの代替効果が示された。
参考スコア（独自算出の注目度）: 1.6536018920603175
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this research work, we proposed a novel ChildGAN, a pair of GAN networks for generating synthetic boys and girls facial data derived from StyleGAN2. ChildGAN is built by performing smooth domain transfer using transfer learning. It provides photo-realistic, high-quality data samples. A large-scale dataset is rendered with a variety of smart facial transformations: facial expressions, age progression, eye blink effects, head pose, skin and hair color variations, and variable lighting conditions. The dataset comprises more than 300k distinct data samples. Further, the uniqueness and characteristics of the rendered facial features are validated by running different computer vision application tests which include CNN-based child gender classifier, face localization and facial landmarks detection test, identity similarity evaluation using ArcFace, and lastly running eye detection and eye aspect ratio tests. The results demonstrate that synthetic child facial data of high quality offers an alternative to the cost and complexity of collecting a large-scale dataset from real children.
Abstract（参考訳）: 本研究では,合成男子と女児の顔データを生成するための一対のganネットワークであるchildganを提案する。 ChildGANは、転写学習を用いてスムーズなドメイン転送を実行することで構築される。フォトリアリスティックで高品質なデータサンプルを提供する。大規模なデータセットは、表情、年齢の進行、点眼効果、頭部ポーズ、肌と髪の色の変化、様々な照明条件など、さまざまなスマートな顔変換によってレンダリングされる。データセットは300万以上の異なるデータサンプルで構成されている。さらに、cnnベースの児童性別分類器、顔位置推定および顔ランドマーク検出テスト、arcfaceを用いた同一性類似性評価、最後にアイ検出およびアイアスペクト比テストを含む異なるコンピュータビジョンアプリケーションテストを実行し、レンダリングされた顔特徴の特異性と特性を検証する。その結果,高画質の合成顔データにより,実子から大規模データセットを収集するコストと複雑さの代替効果が示された。

関連論文リスト

ChildDiffusion: Unlocking the Potential of Generative AI and Controllable Augmentations for Child Facial Data using Stable Diffusion and Large Language Models [1.1470070927586018]
この枠組みは、民族データ、微妙な表現、顔ポーズのバリエーション、目まき効果、異なる髪の色とスタイル、老化、複数と異なる子供の性別を単一のフレームでレンダリングすることによって検証される。提案手法は、時間的不整合や出力の限られた制御など、生成AIツールで発生する一般的な問題を回避している。
論文参考訳（メタデータ） (2024-06-17T14:37:14Z)
Leveraging Synthetic Data for Generalizable and Fair Facial Action Unit Detection [9.404202619102943]
本稿では,合成データとマルチソースドメイン適応(MSDA)を用いて,ラベル付きデータの不足や対象の多様性の問題に対処することを提案する。具体的には,合成表情再ターゲティングにより多様なデータセットを生成することを提案する。ジェンダーフェアネスをさらに向上させるために、PM2は実際のデータの特徴と女性と男性の合成画像とを一致させる。
論文参考訳（メタデータ） (2024-03-15T23:50:18Z)
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)
SwinFace: A Multi-task Transformer for Face Recognition, Expression Recognition, Age Estimation and Attribute Estimation [60.94239810407917]
本論文では,単一スウィントランスを用いた顔認識,表情認識,年齢推定,顔属性推定のための多目的アルゴリズムを提案する。複数のタスク間の競合に対処するため、マルチレベルチャネル注意(MLCA)モジュールをタスク固有の分析に統合する。実験の結果,提案したモデルでは顔の理解が良く,全てのタスクにおいて優れた性能が得られることがわかった。
論文参考訳（メタデータ） (2023-08-22T15:38:39Z)
A Comparative Study of Image-to-Image Translation Using GANs for Synthetic Child Race Data [1.6536018920603175]
本研究では、画像から画像への変換を利用して、異なる人種のデータを合成し、子供の顔データの民族性を調整することを提案する。我々は、民族をスタイルとみなし、コーカサス人の児童データとアジア人の児童データ変換を実装するために、3つの異なる画像と画像のニューラルネットワークに基づく手法を比較した。
論文参考訳（メタデータ） (2023-08-08T12:54:05Z)
Child Face Recognition at Scale: Synthetic Data Generation and Performance Benchmark [3.4110993541168853]
HDA-SynChildFacesは1,652人の被験者と188,832人の画像で構成され、各被験者は様々な年齢で存在し、多くの異なる物体内変異を持つ。生成したデータベース上での様々な顔認識システムの性能評価を行い、年齢の異なる大人と子供の結果と比較した。
論文参考訳（メタデータ） (2023-04-23T15:29:26Z)
CIAO! A Contrastive Adaptation Mechanism for Non-Universal Facial Expression Recognition [80.07590100872548]
本稿では、顔エンコーダの最後の層に異なるデータセットの特定の感情特性を適応させるメカニズムであるContrastive Inhibitory Adaptati On(CIAO)を提案する。 CIAOは、非常にユニークな感情表現を持つ6つの異なるデータセットに対して、表情認識性能が改善されている。
論文参考訳（メタデータ） (2022-08-10T15:46:05Z)
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)
Methodology for Building Synthetic Datasets with Virtual Humans [1.5556923898855324]
大規模なデータセットは、ディープニューラルネットワークの改善、ターゲットトレーニングに使用することができる。特に,100の合成IDからなるデータセットにまたがる複数の2次元画像のレンダリングに3次元形態素顔モデルを用いる。
論文参考訳（メタデータ） (2020-06-21T10:29:36Z)
InterFaceGAN: Interpreting the Disentangled Face Representation Learned by GANs [73.27299786083424]
我々は、最先端のGANモデルによって学習された不整合顔表現を解釈するInterFaceGANというフレームワークを提案する。まず、GANは潜在空間の線型部分空間で様々な意味学を学ぶ。次に、異なる意味論間の相関関係について詳細な研究を行い、部分空間射影を通してそれらをよりよく解離させる。
論文参考訳（メタデータ） (2020-05-18T18:01:22Z)
DotFAN: A Domain-transferred Face Augmentation Network for Pose and Illumination Invariant Face Recognition [94.96686189033869]
本稿では,3次元モデルを用いたドメイン転送型顔強調ネットワーク(DotFAN)を提案する。 DotFANは、他のドメインから収集された既存のリッチフェイスデータセットから抽出された知識に基づいて、入力顔の一連の変種を生成することができる。実験によると、DotFANは、クラス内の多様性を改善するために、小さな顔データセットを増やすのに有益である。
論文参考訳（メタデータ） (2020-02-23T08:16:34Z)

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。