論文の概要: IdenBAT: Disentangled Representation Learning for Identity-Preserved Brain Age Transformation

• arxiv url: http://arxiv.org/abs/2410.16945v1
• Date: Tue, 22 Oct 2024 12:20:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:29:34.011174
• Title: IdenBAT: Disentangled Representation Learning for Identity-Preserved Brain Age Transformation
• Title（参考訳）: IdenBAT: アイデンティティ保存型脳年齢変換のためのアンタングル表現学習
• Authors: Junyeong Maeng, Kwanseok Oh, Wonsik Jung, Heung-Il Suk,
• Abstract要約: 脳年齢変換は、対象年齢群の年齢固有の特徴を正確に反映した、参照脳画像を合成画像に変換することを目的としている。 IdenBATと呼ばれるアイデンティティ保存型脳年齢変換に不整合表現学習を用いた新しいアーキテクチャを提案する。 本手法は,個々の特徴を正確に保持しながら,入力画像を目標年齢に適応的に変換する。
• 参考スコア（独自算出の注目度）: 9.23090816270662
• License:
• Abstract: Brain age transformation aims to convert reference brain images into synthesized images that accurately reflect the age-specific features of a target age group. The primary objective of this task is to modify only the age-related attributes of the reference image while preserving all other age-irrelevant attributes. However, achieving this goal poses substantial challenges due to the inherent entanglement of various image attributes within features extracted from a backbone encoder, resulting in simultaneous alterations during the image generation. To address this challenge, we propose a novel architecture that employs disentangled representation learning for identity-preserved brain age transformation called IdenBAT. This approach facilitates the decomposition of image features, ensuring the preservation of individual traits while selectively transforming age-related characteristics to match those of the target age group. Through comprehensive experiments conducted on both 2D and full-size 3D brain datasets, our method adeptly converts input images to target age while retaining individual characteristics accurately. Furthermore, our approach demonstrates superiority over existing state-of-the-art regarding performance fidelity.
• Abstract（参考訳）: 脳年齢変換は、対象年齢群の年齢固有の特徴を正確に反映した、参照脳画像を合成画像に変換することを目的としている。 この課題の主な目的は、他の年齢関連属性をすべて保存しながら、参照画像の年齢関連属性のみを変更することである。 しかし、この目標を達成するには、バックボーンエンコーダから抽出した特徴において、様々な画像属性が本質的に絡み合うため、画像生成中に同時に変更されるため、大きな課題が生じる。 この課題に対処するため,IdenBATと呼ばれるアイデンティティ保存脳年齢変換のための非交叉表現学習を用いた新しいアーキテクチャを提案する。 この手法は画像の特徴の分解を容易にし,個々の特徴の保存を確実にすると同時に,年齢関連特性を目的の年齢群に合わせるように選択的に変換する。 提案手法は,2次元と3次元の脳データセットの総合的な実験を通じて,個々の特徴を正確に保持しながら,入力画像を対象年齢に適応的に変換する。 さらに,本手法は,性能忠実度に関する既存の最先端技術よりも優れていることを示す。

関連論文リスト

• Diverse and Lifespan Facial Age Transformation Synthesis with Identity Variation Rationality Metric [12.438204529412706]
  人間の顔にディバース・ライフスパン・エイジ・トランスフォーメーションを実現するために、$rmDLATboldsymbol+$を導入する。 モデルに埋め込まれた多様性のメカニズムとは別に、複数の一貫性の制限が活用され、反ファクト的な老化合成を防ぐことができる。
  論文  参考訳（メタデータ） (2024-01-25T09:26:08Z)
• Age Prediction From Face Images Via Contrastive Learning [1.7705784090599048]
  我々は、異なる年齢の異なる人物の容易に利用可能な顔データセットを活用し、コントラスト学習を用いて年齢に関連する特徴を抽出することを目的としている。 提案手法は,コサイン類似度とトリプルトマージン損失の組合せを用いて,同一性に関連する特徴を抑えながら,関連する特徴を強調した。
  論文  参考訳（メタデータ） (2023-08-23T03:43:34Z)
• Deep Collaborative Multi-Modal Learning for Unsupervised Kinship Estimation [53.62256887837659]
  キンシップ検証は、コンピュータビジョンにおける長年の研究課題である。 本稿では,顔特性に表される基礎情報を統合するために,新しい協調型多モーダル学習(DCML)を提案する。 我々のDCML法は、常に最先端のキンシップ検証法よりも優れている。
  論文  参考訳（メタデータ） (2021-09-07T01:34:51Z)
• Disentangled Lifespan Face Synthesis [100.29058545878341]
  ライフスパン顔合成(LFS)モデルは、1つのスナップショットのみを基準として、人の人生全体の写真リアル顔画像のセットを作成することを目的としている。 対象年齢コードから生成された顔画像は, 形状やテクスチャの生鮮やかな変換によって, 年齢に敏感に反映されることが期待される。 これは、エンコーダから形状、テクスチャ、アイデンティティの特徴を別々に抽出することで達成される。
  論文  参考訳（メタデータ） (2021-08-05T22:33:14Z)
• FP-Age: Leveraging Face Parsing Attention for Facial Age Estimation in the Wild [50.8865921538953]
  年齢推定に顔のセマンティクスを明示的に組み込む手法を提案する。 我々は,顔解析に基づくネットワークを設計し,異なるスケールで意味情報を学習する。 提案手法は,既存の年齢推定手法を常に上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-21T14:31:32Z)
• Continuous Face Aging Generative Adversarial Networks [11.75204350455584]
  顔の老化は、入力画像の顔を指定された年齢に翻訳することを目的としたタスクです。 それまでの方法は、それぞれが10年からなる離散年齢群を生成できるだけに限られていた。 CFA-GAN (Continuous face aging generative adversarial Network) を提案する。
  論文  参考訳（メタデータ） (2021-02-26T06:22:25Z)
• Only a Matter of Style: Age Transformation Using a Style-Based Regression Model [46.48263482909809]
  本稿では,事前学習した未条件GANの潜在空間に実際の顔画像をエンコードする画像から画像への変換手法を提案する。 所望の年齢に対応する潜時符号を生成する際に,エンコーダを明示的に案内するために,事前学習した年齢回帰ネットワークを用いる。
  論文  参考訳（メタデータ） (2021-02-04T17:33:28Z)
• Age Gap Reducer-GAN for Recognizing Age-Separated Faces [72.26969872180841]
  本稿では,年齢変化に伴う顔と時間変化をマッチングする新しいアルゴリズムを提案する。 提案手法は,顔の年齢推定と年齢別顔の検証を組み合わせた統合フレームワークである。
  論文  参考訳（メタデータ） (2020-11-11T16:43:32Z)
• Fine-grained Image-to-Image Transformation towards Visual Recognition [102.51124181873101]
  我々は,入力画像の同一性を保った画像を生成するために,微細なカテゴリで画像を変換することを目的としている。 我々は、画像のアイデンティティと非関連要因をアンハングルするために、生成的敵ネットワークに基づくモデルを採用する。 CompCarsとMulti-PIEデータセットの実験では、我々のモデルが生成した画像のアイデンティティを、最先端の画像-画像変換モデルよりもはるかによく保存していることが示された。
  論文  参考訳（メタデータ） (2020-01-12T05:26:47Z)

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。