論文の概要: Rank-based No-reference Quality Assessment for Face Swapping

• arxiv url: http://arxiv.org/abs/2406.01884v1
• Date: Tue, 4 Jun 2024 01:36:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 20:23:04.300124
• Title: Rank-based No-reference Quality Assessment for Face Swapping
• Title（参考訳）: 顔スワップのランクに基づく非参照品質評価
• Authors: Xinghui Zhou, Wenbo Zhou, Tianyi Wei, Shen Chen, Taiping Yao, Shouhong Ding, Weiming Zhang, Nenghai Yu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 88.53827937914038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face swapping has become a prominent research area in computer vision and image processing due to rapid technological advancements. The metric of measuring the quality in most face swapping methods relies on several distances between the manipulated images and the source image, or the target image, i.e., there are suitable known reference face images. Therefore, there is still a gap in accurately assessing the quality of face interchange in reference-free scenarios. In this study, we present a novel no-reference image quality assessment (NR-IQA) method specifically designed for face swapping, addressing this issue by constructing a comprehensive large-scale dataset, implementing a method for ranking image quality based on multiple facial attributes, and incorporating a Siamese network based on interpretable qualitative comparisons. Our model demonstrates the state-of-the-art performance in the quality assessment of swapped faces, providing coarse- and fine-grained. Enhanced by this metric, an improved face-swapping model achieved a more advanced level with respect to expressions and poses. Extensive experiments confirm the superiority of our method over existing general no-reference image quality assessment metrics and the latest metric of facial image quality assessment, making it well suited for evaluating face swapping images in real-world scenarios.
• Abstract（参考訳）: 顔交換は、急速な技術進歩により、コンピュータビジョンと画像処理において顕著な研究領域となっている。 ほとんどの顔スワップ法の品質測定基準は、操作された画像とソース画像、すなわち、適切な参照顔画像とのいくつかの距離に依存する。 したがって、参照のないシナリオでは、顔交換の質を正確に評価するにはまだギャップがある。 本研究では,顔スワップに特化して設計された新しい非参照画像品質評価(NR-IQA)手法について,包括的大規模データセットの構築,複数の顔属性に基づく画像品質ランキング手法の実装,解釈可能な定性比較に基づくシームズネットワークの導入により,この問題に対処する。 本モデルは,スワップ面の品質評価における最先端性能を実証し,粗くきめ細かな粒度を提供する。 この指標によって強化され、改良されたフェイススワッピングモデルにより、表現やポーズに関してより高度なレベルが達成された。 広範にわたる実験により,既存の非参照画像品質評価指標と最新の顔画像品質評価指標とを比較検討し,実世界のシナリオにおける顔交換画像の評価に適していることを確認した。

関連論文リスト

• Dual-Branch Network for Portrait Image Quality Assessment [76.27716058987251]
  ポートレート画像品質評価のためのデュアルブランチネットワーク(PIQA)を提案する。 我々は2つのバックボーンネットワーク(textiti.e., Swin Transformer-B)を使用して、肖像画全体と顔画像から高品質な特徴を抽出する。 我々は、画像シーンの分類と品質評価モデルであるLIQEを利用して、品質認識とシーン固有の特徴を補助的特徴として捉えている。
  論文  参考訳（メタデータ） (2024-05-14T12:43:43Z)
• 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)
• 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)
• AdaFace: Quality Adaptive Margin for Face Recognition [56.99208144386127]
  本稿では、損失関数、すなわち画像品質における適応性の別の側面を紹介する。 そこで本稿では,画像品質に基づいて異なる難易度を示す新たな損失関数を提案する。 提案手法は,4つのデータセット上でのSoTA(State-of-the-art)による顔認識性能を向上させる。
  論文  参考訳（メタデータ） (2022-04-03T01:23:41Z)
• 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)
• Pixel-Level Face Image Quality Assessment for Explainable Face Recognition [5.858033242850427]
  認識のための顔画像における画素の有効性を決定する画素レベルの顔画像品質の概念を導入する。 本研究では,任意の顔認識ネットワークが与えられた場合,顔画像の画素レベルの品質を評価するためのトレーニング不要なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-21T09:12:17Z)
• 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)
• Face Image Quality Assessment: A Literature Survey [16.647739693192236]
  本調査は、主に可視波長の顔画像入力に焦点を当てた顔画像品質評価文献の概要を提供する。 深層学習に基づく手法の傾向が観察され,近年のアプローチにおける概念的差異が顕著である。
  論文  参考訳（メタデータ） (2020-09-02T14:26:12Z)
• 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。