論文の概要: Data Synthesis with Diverse Styles for Face Recognition via 3DMM-Guided Diffusion

• arxiv url: http://arxiv.org/abs/2504.00430v1
• Date: Tue, 01 Apr 2025 05:22:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:22:08.769092
• Title: Data Synthesis with Diverse Styles for Face Recognition via 3DMM-Guided Diffusion
• Title（参考訳）: 3DMM誘導拡散による顔認識のためのディバーススタイルを用いたデータ合成
• Authors: Yuxi Mi, Zhizhou Zhong, Yuge Huang, Qiuyang Yuan, Xuan Zhao, Jianqing Xu, Shouhong Ding, ShaoMing Wang, Rizen Guo, Shuigeng Zhou,
• Abstract要約: アイデンティティ保護顔合成は、仮想被験者の合成顔画像を生成することを目的としており、現実のデータを代用して顔認識モデルを訓練する。 先行芸術は、一貫したアイデンティティと多様なスタイルでイメージを作成しようとするが、それらは両者のトレードオフに直面している。 本稿では拡散型フェイスジェネレータであるMorphFaceを紹介する。
• 参考スコア（独自算出の注目度）: 37.847141686823264
• License:
• Abstract: Identity-preserving face synthesis aims to generate synthetic face images of virtual subjects that can substitute real-world data for training face recognition models. While prior arts strive to create images with consistent identities and diverse styles, they face a trade-off between them. Identifying their limitation of treating style variation as subject-agnostic and observing that real-world persons actually have distinct, subject-specific styles, this paper introduces MorphFace, a diffusion-based face generator. The generator learns fine-grained facial styles, e.g., shape, pose and expression, from the renderings of a 3D morphable model (3DMM). It also learns identities from an off-the-shelf recognition model. To create virtual faces, the generator is conditioned on novel identities of unlabeled synthetic faces, and novel styles that are statistically sampled from a real-world prior distribution. The sampling especially accounts for both intra-subject variation and subject distinctiveness. A context blending strategy is employed to enhance the generator's responsiveness to identity and style conditions. Extensive experiments show that MorphFace outperforms the best prior arts in face recognition efficacy.
• Abstract（参考訳）: アイデンティティ保護顔合成は、仮想被験者の合成顔画像を生成することを目的としており、現実のデータを代用して顔認識モデルを訓練する。 先行芸術は、一貫したアイデンティティと多様なスタイルのイメージを作ろうとする一方で、両者のトレードオフに直面している。 そこで本研究では,拡散型顔生成装置であるMorphFaceを紹介する。 ジェネレータは、3D形態モデル(3DMM)のレンダリングから、例えば形状、ポーズ、表情などのきめ細かい顔のスタイルを学習する。 また、既成の認識モデルから身元を学習する。 仮想顔を生成するために、ジェネレータは、ラベルのない合成顔の新しいアイデンティティと、実世界の事前分布から統計的にサンプリングされた新しいスタイルを条件付けする。 このサンプリングは、特に物体内変異と被写体特異性の両方を考慮に入れている。 コンテキストブレンディング戦略は、アイデンティティやスタイル条件に対するジェネレータの応答性を高めるために使用される。 大規模な実験により、MorphFaceは顔認識の有効性において最高の先行技術より優れていることが示された。

関連論文リスト

• OSDFace: One-Step Diffusion Model for Face Restoration [72.5045389847792]
  拡散モデルは、顔の修復において顕著な性能を示した。 顔復元のための新しいワンステップ拡散モデルOSDFaceを提案する。 その結果,OSDFaceは現状のSOTA(State-of-the-art)手法を視覚的品質と定量的指標の両方で上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-26T07:07:48Z)
• ID$^3$: Identity-Preserving-yet-Diversified Diffusion Models for Synthetic Face Recognition [60.15830516741776]
  合成顔認識(SFR)は、実際の顔データの分布を模倣するデータセットを生成することを目的としている。 拡散燃料SFRモデルであるtextID3$を紹介します。 textID3$はID保存損失を利用して、多様だがアイデンティティに一貫性のある顔の外観を生成する。
  論文  参考訳（メタデータ） (2024-09-26T06:46:40Z)
• TCDiff: Triple Condition Diffusion Model with 3D Constraints for Stylizing Synthetic Faces [1.7535229154829601]
  新しいデータセットの1k、2k、5kクラスを用いた顔認識実験は、実顔ベンチマークで最先端の合成データセットをトレーニングする。
  論文  参考訳（メタデータ） (2024-09-05T14:59:41Z)
• Adversarial Identity Injection for Semantic Face Image Synthesis [6.763801424109435]
  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。
  論文  参考訳（メタデータ） (2024-04-16T09:19:23Z)
• VIGFace: Virtual Identity Generation for Privacy-Free Face Recognition [13.81887339529775]
  VIGFaceは合成顔画像を生成する新しいフレームワークである。 これは、既存の個人と仮想顔画像との明確な分離性を示し、自信を持って合成画像を作成することができる。 既存の実際のイメージを組み込むことで、データ拡張によるパフォーマンスの向上を保証する。
  論文  参考訳（メタデータ） (2024-03-13T06:11:41Z)
• 3DMM-RF: Convolutional Radiance Fields for 3D Face Modeling [111.98096975078158]
  本稿では,1つのパスを1つのパスで合成し,必要なニューラルネットワークのレンダリングサンプルのみを合成するスタイルベースの生成ネットワークを提案する。 このモデルは、任意のポーズと照明の顔画像に正確に適合し、顔の特徴を抽出し、制御可能な条件下で顔を再レンダリングするために使用できることを示す。
  論文  参考訳（メタデータ） (2022-09-15T15:28:45Z)
• ImFace: A Nonlinear 3D Morphable Face Model with Implicit Neural Representations [21.389170615787368]
  本稿では,暗黙のニューラル表現を持つ非線形かつ連続的な空間を学習するために,新しい3次元顔モデルImFaceを提案する。 2つの明示的に非交叉な変形場を構築し、それぞれアイデンティティと表現に関連する複雑な形状をモデル化し、表現の埋め込みを拡張するための改良された学習戦略を設計する。 ImFaceに加えて、暗黙の表現における水密入力要求の問題に対処するために、効果的な前処理パイプラインが提案されている。
  論文  参考訳（メタデータ） (2022-03-28T05:37:59Z)
• 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)
• Learning to Aggregate and Personalize 3D Face from In-the-Wild Photo Collection [65.92058628082322]
  非パラメトリックフェースモデリングは形状仮定なしで画像からのみ3次元フェースを再構成することを目的としている。 本稿では,教師なしのロバストな3次元顔モデリングのための学習・アグリゲート・パーソナライズ・フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-15T03:10:17Z)

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。