Fugu-MT 論文翻訳(概要): SynMorph: Generating Synthetic Face Morphing Dataset with Mated Samples

論文の概要: SynMorph: Generating Synthetic Face Morphing Dataset with Mated Samples

arxiv url: http://arxiv.org/abs/2409.05595v1
Date: Mon, 9 Sep 2024 13:29:53 GMT
ステータス: 処理完了
システム内更新日: 2024-09-10 14:39:56.566301
Title: SynMorph: Generating Synthetic Face Morphing Dataset with Mated Samples
Title（参考訳）: SynMorph: 混合サンプルを用いた合成顔形態データの生成
Authors: Haoyu Zhang, Raghavendra Ramachandra, Kiran Raja, Christoph Busch,
Abstract要約: そこで本研究では,2450のアイデンティティと100k以上の形態を持つ合成顔形態データセットを新たに生成する手法を提案する。提案する合成顔変形データセットは, 高品質なサンプル, 異種変態アルゴリズム, 単変態攻撃検出アルゴリズム, 差動変態攻撃検出アルゴリズムの一般化に特有である。
参考スコア（独自算出の注目度）: 13.21801650767302
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Face morphing attack detection (MAD) algorithms have become essential to overcome the vulnerability of face recognition systems. To solve the lack of large-scale and public-available datasets due to privacy concerns and restrictions, in this work we propose a new method to generate a synthetic face morphing dataset with 2450 identities and more than 100k morphs. The proposed synthetic face morphing dataset is unique for its high-quality samples, different types of morphing algorithms, and the generalization for both single and differential morphing attack detection algorithms. For experiments, we apply face image quality assessment and vulnerability analysis to evaluate the proposed synthetic face morphing dataset from the perspective of biometric sample quality and morphing attack potential on face recognition systems. The results are benchmarked with an existing SOTA synthetic dataset and a representative non-synthetic and indicate improvement compared with the SOTA. Additionally, we design different protocols and study the applicability of using the proposed synthetic dataset on training morphing attack detection algorithms.
Abstract（参考訳）: 顔認識システムの脆弱性を克服するためには、顔認識攻撃検出(MAD)アルゴリズムが不可欠になっている。プライバシーの懸念と制約による大規模かつ公開可能なデータセットの欠如を解決するため,2450のアイデンティティと100k以上の形態を持つ合成顔形態データセットを生成する新しい手法を提案する。提案する合成顔変形データセットは, 高品質なサンプル, 異種変態アルゴリズム, 単変態攻撃検出アルゴリズム, 差動変態攻撃検出アルゴリズムの一般化に特有である。実験では, 顔画像の品質評価と脆弱性解析を適用し, 生体試料の品質と顔認識システムに対する攻撃電位の観点から, 提案した合成顔形態データセットを評価する。その結果、既存のSOTA合成データセットと代表的な非合成データセットとをベンチマークし、SOTAと比較して改善を示す。さらに、異なるプロトコルを設計し、提案した合成データセットを用いて、モーフィング攻撃検出アルゴリズムを訓練する適用性について検討する。

関連論文リスト

SynFER: Towards Boosting Facial Expression Recognition with Synthetic Data [44.304022773272415]
ハイレベルなテキスト記述に基づく表情画像データの合成のための新しいフレームワークであるSynFERを紹介する。本稿では,表情ラベルの修正を支援するために,生成プロセスと擬似ラベル生成手法を提案する。提案手法は,AffectNetトレーニングセットサイズに相当する合成データのみを用いてトレーニングを行う場合,AffectNetの67.23%の分類精度を実現する。
論文参考訳（メタデータ） (2024-10-13T14:58:21Z)
Second Edition FRCSyn Challenge at CVPR 2024: Face Recognition Challenge in the Era of Synthetic Data [104.45155847778584]
本稿では,合成データ時代における第2回顔認識チャレンジの概要について述べる。 FRCSynは、現在の技術的制限に対処するために、顔認識における合成データの使用について調査することを目的としている。
論文参考訳（メタデータ） (2024-04-16T08:15:10Z)
SDFR: Synthetic Data for Face Recognition Competition [51.9134406629509]
大規模な顔認識データセットは、インターネットをクロールして個人の同意なしに収集し、法的、倫理的、プライバシー上の懸念を提起する。近年、ウェブクローリングされた顔認識データセットにおける懸念を軽減するために、合成顔認識データセットの生成が提案されている。本稿では,第18回IEEE International Conference on Automatic Face and Gesture Recognition (FG 2024)と共同で開催されているSynthetic Data for Face Recognition (SDFR)コンペティションの概要を紹介する。 SDFRコンペティションは2つのタスクに分けられ、参加者は新しい合成データセットまたは/または既存のデータセットを使用して顔認識システムを訓練することができる。
論文参考訳（メタデータ） (2024-04-06T10:30:31Z)
DiffusionFace: Towards a Comprehensive Dataset for Diffusion-Based Face Forgery Analysis [71.40724659748787]
DiffusionFaceは、最初の拡散ベースのフェイスフォージェリーデータセットである。非条件およびテキストガイドの顔画像生成、Img2Img、Inpaint、Diffusionベースの顔交換アルゴリズムなど、さまざまなフォージェリーカテゴリをカバーする。重要なメタデータと、評価のための実世界のインターネットソースの偽顔画像データセットを提供する。
論文参考訳（メタデータ） (2024-03-27T11:32:44Z)
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)
SynthDistill: Face Recognition with Knowledge Distillation from Synthetic Data [8.026313049094146]
最先端の顔認識ネットワークは計算コストが高く、モバイルアプリケーションでは利用できないことが多い。本稿では,教師の事前学習した顔認識モデルの知識を合成データを用いて抽出し,軽量な顔認識モデルを訓練するための新しい枠組みを提案する。我々は、識別ラベルのない合成顔画像を用いて、合成データセットのクラス内変動生成における問題を緩和する。
論文参考訳（メタデータ） (2023-08-28T19:15:27Z)
Unsupervised Face Recognition using Unlabeled Synthetic Data [16.494722503803196]
ラベルなし合成データ(U SynthFace)に基づく教師なし顔認識モデルを提案する。提案したU SynthFaceは、同一の合成インスタンスの2つの拡張画像の類似性を最大化することを学ぶ。ラベルなし合成データを用いた比較的高い認識精度を実現するためのU SynthFaceの有効性を実証する。
論文参考訳（メタデータ） (2022-11-14T14:05:19Z)
Generation of Non-Deterministic Synthetic Face Datasets Guided by Identity Priors [19.095368725147367]
本稿では、StyleGANの構造化された潜在空間を利用して、マット付き顔画像を生成する非決定論的手法を提案する。 25,919個の合成IDを含む77,034個のサンプルからなる合成顔画像(SymFace)のデータセットを作成する。
論文参考訳（メタデータ） (2021-12-07T11:08:47Z)
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)
On the use of automatically generated synthetic image datasets for benchmarking face recognition [2.0196229393131726]
GAN(Generative Adversarial Networks)の最近の進歩は、実際のデータセットを合成データセットで置き換える経路を提供する。現実的な顔画像を合成するためのGAN(Generative Adversarial Networks)の最近の進歩は、実際のデータセットを合成データセットで置き換える経路を提供する。合成データセットのベンチマーク結果は、良い置換であり、多くの場合、実際のデータセットのベンチマークと同様のエラー率とシステムランキングを提供する。
論文参考訳（メタデータ） (2021-06-08T09:54:02Z)
Identity-Aware CycleGAN for Face Photo-Sketch Synthesis and Recognition [61.87842307164351]
まず,画像生成ネットワークの監視に新たな知覚損失を適用したIACycleGAN(Identity-Aware CycleGAN)モデルを提案する。眼や鼻などの重要な顔領域の合成により多くの注意を払うことで、フォトエッチング合成におけるサイクガンを改善する。 IACycleGANによる画像の合成を反復的に行う合成モデルと認識モデルとの相互最適化手法を開発した。
論文参考訳（メタデータ） (2021-03-30T01:30:08Z)

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。