Fugu-MT 論文翻訳(概要): Adversarial Identity Injection for Semantic Face Image Synthesis

論文の概要: Adversarial Identity Injection for Semantic Face Image Synthesis

arxiv url: http://arxiv.org/abs/2404.10408v1
Date: Tue, 16 Apr 2024 09:19:23 GMT
ステータス: 処理完了
システム内更新日: 2024-04-17 17:23:30.991262
Title: Adversarial Identity Injection for Semantic Face Image Synthesis
Title（参考訳）: セマンティック顔画像合成のための逆同一性注入法
Authors: Giuseppe Tarollo, Tomaso Fontanini, Claudio Ferrari, Guido Borghi, Andrea Prati,
Abstract要約: 我々は、顔を生成するためにアイデンティティ、スタイル、セマンティック特徴をマージするクロスアテンション機構を利用するSISアーキテクチャを提案する。実験結果から,提案手法は識別情報の保存に適するだけでなく,顔認識対向攻撃にも有効であることが判明した。
参考スコア（独自算出の注目度）: 6.763801424109435
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Nowadays, deep learning models have reached incredible performance in the task of image generation. Plenty of literature works address the task of face generation and editing, with human and automatic systems that struggle to distinguish what's real from generated. Whereas most systems reached excellent visual generation quality, they still face difficulties in preserving the identity of the starting input subject. Among all the explored techniques, Semantic Image Synthesis (SIS) methods, whose goal is to generate an image conditioned on a semantic segmentation mask, are the most promising, even though preserving the perceived identity of the input subject is not their main concern. Therefore, in this paper, we investigate the problem of identity preservation in face image generation and present an SIS architecture that exploits a cross-attention mechanism to merge identity, style, and semantic features to generate faces whose identities are as similar as possible to the input ones. Experimental results reveal that the proposed method is not only suitable for preserving the identity but is also effective in the face recognition adversarial attack, i.e. hiding a second identity in the generated faces.
Abstract（参考訳）: 近年、ディープラーニングモデルは画像生成のタスクにおいて驚くほどのパフォーマンスに達している。多くの文献が顔の生成と編集のタスクに対処しています。ほとんどのシステムは優れた視覚生成品質に達したが、入力対象の同一性を維持するのに依然として困難に直面している。セマンティック画像合成(SIS)手法は, セマンティックなセグメンテーションマスクに条件付き画像を生成することを目的としており, 入力対象の認識されたアイデンティティを保存することが主な関心事ではないにもかかわらず, 最も有望な手法である。そこで本稿では,顔画像生成におけるアイデンティティ保存の問題点を考察し,顔のアイデンティティ,スタイル,セマンティックな特徴をマージするクロスアテンション機構を利用したSISアーキテクチャを提案する。実験結果から,提案手法は識別情報の保存に適しただけでなく,顔に第2の識別情報を隠蔽する顔認識攻撃にも有効であることが判明した。

関連論文リスト

iFADIT: Invertible Face Anonymization via Disentangled Identity Transform [51.123936665445356]
顔の匿名化は、個人のプライバシーを保護するために顔の視覚的アイデンティティを隠すことを目的としている。 Invertible Face Anonymization の頭字語 iFADIT を Disentangled Identity Transform を用いて提案する。
論文参考訳（メタデータ） (2025-01-08T10:08:09Z)
ID-Guard: A Universal Framework for Combating Facial Manipulation via Breaking Identification [60.73617868629575]
深層学習に基づく顔操作の誤用は、公民権に対する潜在的な脅威となる。この不正行為を防ぐため、プロアクティブな防御技術が提案され、操作プロセスを妨害した。我々は,ID-Guardと呼ばれる,顔操作と戦うための新しい普遍的枠組みを提案する。
論文参考訳（メタデータ） (2024-09-20T09:30:08Z)
TetraLoss: Improving the Robustness of Face Recognition against Morphing Attacks [6.492755549391469]
顔認識システムは、高セキュリティアプリケーションに広くデプロイされている。フェースモーフィングのようなデジタル操作は、顔認識システムにセキュリティ上の脅威をもたらす。本稿では,ディープラーニングに基づく顔認識システムを,顔形態攻撃に対してより堅牢なものにするための新しい手法を提案する。
論文参考訳（メタデータ） (2024-01-21T21:04:05Z)
PortraitBooth: A Versatile Portrait Model for Fast Identity-preserved Personalization [92.90392834835751]
PortraitBoothは高効率、堅牢なID保存、表現編集可能な画像生成のために設計されている。 PortraitBoothは計算オーバーヘッドを排除し、アイデンティティの歪みを軽減する。生成した画像の多様な表情に対する感情認識のクロスアテンション制御が組み込まれている。
論文参考訳（メタデータ） (2023-12-11T13:03:29Z)
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)
HFORD: High-Fidelity and Occlusion-Robust De-identification for Face Privacy Protection [60.63915939982923]
顔の身元特定は、身元保護問題を解決するための実践的な方法である。既存の顔の特定方法にはいくつかの問題がある。これらの問題に対処するために,HFORD(High-Fidelity and Occlusion-Robust De-identification)法を提案する。
論文参考訳（メタデータ） (2023-11-15T08:59:02Z)
StyleID: Identity Disentanglement for Anonymizing Faces [4.048444203617942]
この論文の主な貢献は、フィーチャ保存の匿名化フレームワークであるStyleIDの設計である。コントリビューションの一環として,新しいアンタングル化指標,補足的アンタングル化法,およびアイデンティティ・アンタングル化に関する新たな知見を提示する。 StyleIDはチューナブルなプライバシを提供し、計算の複雑さが低く、現在の最先端ソリューションを上回っている。
論文参考訳（メタデータ） (2022-12-28T12:04:24Z)
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)
IdentityDP: Differential Private Identification Protection for Face Images [17.33916392050051]
顔の非識別、別名顔の匿名化は、実際のアイデンティティが隠されている間、同様の外観と同じ背景を持つ別の画像を生成することを指します。我々は,データ駆動型ディープニューラルネットワークと差分プライバシー機構を組み合わせた顔匿名化フレームワークであるIdentityDPを提案する。我々のモデルは、顔の識別関連情報を効果的に難読化し、視覚的類似性を保ち、高品質な画像を生成することができる。
論文参考訳（メタデータ） (2021-03-02T14:26:00Z)
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)
VAE/WGAN-Based Image Representation Learning For Pose-Preserving Seamless Identity Replacement In Facial Images [15.855376604558977]
We present a novel variational generative adversarial network (VGAN) based on Wasserstein loss。我々のネットワークは、ポーズ保存されたアイデンティティ・モーフィングとアイデンティティ保存されたポーズ・モーフィングの実行に利用できることを示す。
論文参考訳（メタデータ） (2020-03-02T03:35:59Z)

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。