論文の概要: Boosting Cross-Quality Face Verification using Blind Face Restoration

• arxiv url: http://arxiv.org/abs/2308.07967v1
• Date: Tue, 15 Aug 2023 18:05:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-17 15:52:48.569769
• Title: Boosting Cross-Quality Face Verification using Blind Face Restoration
• Title（参考訳）: ブラインド顔復元による品質横断顔認証の強化
• Authors: Messaoud Bengherabi, Douaa Laib, Fella Souhila Lasnami, Ryma Boussaha
• Abstract要約: 低画質画像の知覚品質を高めるためには,顔認証の課題が不可欠である。 本稿では,3つの最先端のブラインドフェイス復元技術が顔認証システムの性能に与える影響について検討する。
• 参考スコア（独自算出の注目度）: 0.13654846342364302
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, various Blind Face Restoration (BFR) techniques were developed. These techniques transform low quality faces suffering from multiple degradations to more realistic and natural face images with high perceptual quality. However, it is crucial for the task of face verification to not only enhance the perceptual quality of the low quality images but also to improve the biometric-utility face quality metrics. Furthermore, preserving the valuable identity information is of great importance. In this paper, we investigate the impact of applying three state-of-the-art blind face restoration techniques namely, GFP-GAN, GPEN and SGPN on the performance of face verification system under very challenging environment characterized by very low quality images. Extensive experimental results on the recently proposed cross-quality LFW database using three state-of-the-art deep face recognition models demonstrate the effectiveness of GFP-GAN in boosting significantly the face verification accuracy.
• Abstract（参考訳）: 近年,様々なブラインドフェイス修復(bfr)技術が開発されている。 これらの技術は、複数の劣化に苦しむ低品質の顔から、知覚品質の高いよりリアルで自然な顔画像へと変換する。 しかし, 顔認証の課題は, 低画質画像の知覚品質を高めるだけでなく, バイオメトリック・ユーティリティーの顔品質指標を改善することが重要である。 さらに、価値あるアイデンティティ情報を保存することが非常に重要である。 本稿では, GFP-GAN, GPEN, SGPNという最先端のブラインドフェイス修復技術が, 極めて低画質の画像が特徴とする難易度環境下での顔認証システムの性能に与える影響について検討する。 近年提案された3つの最先端深層顔認識モデルを用いたクロスクオリティlfwデータベースの広範な実験結果から,gfp-ganが顔認証精度を著しく向上させる効果が示された。

関連論文リスト

• Analysis and Benchmarking of Extending Blind Face Image Restoration to Videos [99.42805906884499]
  まず,実世界の低品質顔画像ベンチマーク(RFV-LQ)を導入し,画像に基づく顔復元アルゴリズムの評価を行った。 次に、失明顔画像復元アルゴリズムを劣化顔ビデオに拡張する際の利点と課題を網羅的に分析する。 分析では、主に顔成分の顕著なジッタとフレーム間のノイズシェープの2つの側面に分類する。
  論文  参考訳（メタデータ） (2024-10-15T17:53:25Z)
• 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)
• DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake Detection [67.3143177137102]
  ディープフェイク検出(Deepfake detection)とは、画像やビデオにおいて、人工的に生成された顔や編集された顔を検出すること。 本稿では,実顔と偽顔とを適応的に識別するDeepFidelityという新しいDeepfake検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-07T07:19:45Z)
• NeutrEx: A 3D Quality Component Measure on Facial Expression Neutrality [7.736597471757526]
  中性表現アンカーへの3次元顔再構成の蓄積距離に基づく品質指標を提案する。 提案手法がベースライン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） (2023-08-19T09:38:39Z)
• Face Image Quality Enhancement Study for Face Recognition [6.916620974833163]
  画像品質の低い大容量データベースを組み立て,3種類の品質セットを対象とした顔認識アルゴリズムの性能について検討する。 我々は,低画質の顔写真で認識するための新しいプロトコルを開発し,その性能を実験的に検証する。
  論文  参考訳（メタデータ） (2023-07-08T08:51:26Z)
• 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)
• Network Architecture Search for Face Enhancement [82.25775020564654]
  我々は、NASFE(Network Architecture Search for Face Enhancement)と呼ばれるマルチタスクの顔復元ネットワークを提案する。 NASFEは、単一の劣化(すなわち)を含む低品質の顔画像を高めることができる。 ノイズまたはぼやけ)または複数の劣化(ノイズ+ブラル+ローライト)
  論文  参考訳（メタデータ） (2021-05-13T19:46:05Z)
• 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)
• SER-FIQ: Unsupervised Estimation of Face Image Quality Based on Stochastic Embedding Robustness [15.431761867166]
  任意の顔認識モデルに基づいて顔の質を測定する新しい概念を提案する。 提案手法を,学界と産業界からの6つの最先端アプローチと比較した。
  論文  参考訳（メタデータ） (2020-03-20T16:50:30Z)

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。