論文の概要: Deep Learning-based Compression Detection for explainable Face Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2501.03619v1
• Date: Tue, 07 Jan 2025 08:36:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:49:33.384437
• Title: Deep Learning-based Compression Detection for explainable Face Image Quality Assessment
• Title（参考訳）: 説明可能な顔画像品質評価のためのディープラーニングによる圧縮検出
• Authors: Laurin Jonientz, Johannes Merkle, Christian Rathgeb, Benjamin Tams, Georg Merz,
• Abstract要約: 顔画像の有用性に悪影響を及ぼすことで知られている品質コンポーネントには、JPEGやJPEG 2000圧縮アーティファクトがある。 ディープニューラルネットワークは、顔画像の圧縮アーチファクトを検出するために訓練される。 検出精度に関しては、トレーニング中にPSNRラベルを利用するために2～3%の誤差率が得られる。
• 参考スコア（独自算出の注目度）: 2.7669616492193896
• License:
• Abstract: The assessment of face image quality is crucial to ensure reliable face recognition. In order to provide data subjects and operators with explainable and actionable feedback regarding captured face images, relevant quality components have to be measured. Quality components that are known to negatively impact the utility of face images include JPEG and JPEG 2000 compression artefacts, among others. Compression can result in a loss of important image details which may impair the recognition performance. In this work, deep neural networks are trained to detect the compression artefacts in a face images. For this purpose, artefact-free facial images are compressed with the JPEG and JPEG 2000 compression algorithms. Subsequently, the PSNR and SSIM metrics are employed to obtain training labels based on which neural networks are trained using a single network to detect JPEG and JPEG 2000 artefacts, respectively. The evaluation of the proposed method shows promising results: in terms of detection accuracy, error rates of 2-3% are obtained for utilizing PSNR labels during training. In addition, we show that error rates of different open-source and commercial face recognition systems can be significantly reduced by discarding face images exhibiting severe compression artefacts. To minimize resource consumption, EfficientNetV2 serves as basis for the presented algorithm, which is available as part of the OFIQ software.
• Abstract（参考訳）: 顔画像品質の評価は、顔認証の信頼性を確保するために不可欠である。 被写体とオペレーターに、キャプチャーされた顔画像に関する説明可能な、実用的なフィードバックを提供するには、関連する品質要素を計測する必要がある。 顔画像の有用性に悪影響を及ぼすことで知られている品質コンポーネントには、JPEGやJPEG 2000圧縮アーティファクトなどがある。 圧縮によって重要な画像の詳細が失われ、認識性能が損なわれる可能性がある。 この研究において、ディープニューラルネットワークは、顔画像の圧縮アーチファクトを検出するために訓練される。 この目的のために、JPEGおよびJPEG 2000圧縮アルゴリズムにより、アーチファクトフリーの顔画像が圧縮される。 その後、PSNRとSSIMメトリクスを使用して、JPEGとJPEG2000のアーティファクトをそれぞれ検出するために単一のネットワークを使用してトレーニングされたニューラルネットワークに基づいてトレーニングラベルを取得する。 提案手法の評価は,PSNRラベルをトレーニング中に利用するために,検出精度の観点から2～3%の誤差率が得られることを示す。 さらに,重度の圧縮アーチファクトを示す顔画像を捨てることで,異なるオープンソースおよび商用の顔認識システムの誤り率を大幅に低減できることを示す。 リソース消費を最小限に抑えるため、EfficientNetV2はOFIQソフトウェアの一部として利用可能な提案アルゴリズムの基礎となる。

関連論文リスト

• Is JPEG AI going to change image forensics? [50.92778618091496]
  本稿では,ニューラル画像圧縮に基づくJPEGAI標準の反法医学的効果について検討する。 JPEG AIによって処理された真の内容を分析する際に,誤報の増加は,先導的な法医学的検知器の性能を損なうことを示す。
  論文  参考訳（メタデータ） (2024-12-04T12:07:20Z)
• Effectiveness of learning-based image codecs on fingerprint storage [19.292976022250684]
  本研究は,指紋画像の記憶における学習ベース画像コーデックの適応性に関する最初の研究である。 一定のレートで学習されたソリューションは、JPEG2000のような以前の指紋コーディング標準を大幅に上回った。 その結果、学習した圧縮加工品の特異性は、指紋の自動識別を妨げないことがわかった。
  論文  参考訳（メタデータ） (2024-09-27T13:23:17Z)
• Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
  本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。 我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。 実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-01-25T08:11:27Z)
• Transferable Learned Image Compression-Resistant Adversarial Perturbations [66.46470251521947]
  敵対的攻撃は容易に画像分類システムを破壊し、DNNベースの認識タスクの脆弱性を明らかにする。 我々は、学習した画像圧縮機を前処理モジュールとして利用する画像分類モデルをターゲットにした新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-01-06T03:03:28Z)
• Effect of Lossy Compression Algorithms on Face Image Quality and Recognition [12.554656658516262]
  ロスシーな顔画像圧縮は、顔認識のために画像品質と有用性を低下させることができる。 4つの圧縮タイプ、JPEG、JPEG 2000、縮小されたPNG、特に新しいJPEG XLフォーマットが検討されている。
  論文  参考訳（メタデータ） (2023-02-24T12:11:05Z)
• Analysis of the Effect of Low-Overhead Lossy Image Compression on the Performance of Visual Crowd Counting for Smart City Applications [78.55896581882595]
  画像圧縮技術は画像の品質を低下させ、精度を低下させる。 本稿では,低オーバヘッド損失画像圧縮法の適用が視覚的群集カウントの精度に与える影響を解析する。
  論文  参考訳（メタデータ） (2022-07-20T19:20:03Z)
• Effects of Image Compression on Face Image Manipulation Detection: A Case Study on Facial Retouching [14.92708078957906]
  顔画像操作検出における画像圧縮の影響を分析する。 画像圧縮の影響下での顔面リタッチ検出に関する事例研究を行った。
  論文  参考訳（メタデータ） (2021-03-05T13:28:28Z)
• Analyzing and Mitigating JPEG Compression Defects in Deep Learning [69.04777875711646]
  本稿では,JPEG圧縮が共通タスクやデータセットに与える影響を統一的に検討する。 高圧縮の一般的なパフォーマンス指標には大きなペナルティがあることが示される。
  論文  参考訳（メタデータ） (2020-11-17T20:32:57Z)
• Discernible Image Compression [124.08063151879173]
  本稿では、外観と知覚の整合性の両方を追求し、圧縮画像を作成することを目的とする。 エンコーダ・デコーダ・フレームワークに基づいて,事前学習したCNNを用いて,オリジナル画像と圧縮画像の特徴を抽出する。 ベンチマーク実験により,提案手法を用いて圧縮した画像は,その後の視覚認識・検出モデルでもよく認識できることが示された。
  論文  参考訳（メタデータ） (2020-02-17T07:35:08Z)

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。