論文の概要: DArFace: Deformation Aware Robustness for Low Quality Face Recognition
- arxiv url: http://arxiv.org/abs/2505.08423v1
- Date: Tue, 13 May 2025 10:35:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-14 20:57:54.521445
- Title: DArFace: Deformation Aware Robustness for Low Quality Face Recognition
- Title（参考訳）: DArFace: 低品質顔認識のためのロバストさを意識した変形
- Authors: Sadaf Gulshad, Abdullah Aldahlawi Thakaa,
- Abstract要約: DArFaceは堅牢な顔認識フレームワークで、高い品質と低品質のトレーニングサンプルを必要とすることなく、このような劣化に対する堅牢性を高める。
本手法は, 訓練中の大域変換(回転, 変換など)と局所弾性変形の両方を逆向きに統合し, 現実的な低品質条件をシミュレートする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Facial recognition systems have achieved remarkable success by leveraging deep neural networks, advanced loss functions, and large-scale datasets. However, their performance often deteriorates in real-world scenarios involving low-quality facial images. Such degradations, common in surveillance footage or standoff imaging include low resolution, motion blur, and various distortions, resulting in a substantial domain gap from the high-quality data typically used during training. While existing approaches attempt to address robustness by modifying network architectures or modeling global spatial transformations, they frequently overlook local, non-rigid deformations that are inherently present in real-world settings. In this work, we introduce DArFace, a Deformation-Aware robust Face recognition framework that enhances robustness to such degradations without requiring paired high- and low-quality training samples. Our method adversarially integrates both global transformations (e.g., rotation, translation) and local elastic deformations during training to simulate realistic low-quality conditions. Moreover, we introduce a contrastive objective to enforce identity consistency across different deformed views. Extensive evaluations on low-quality benchmarks including TinyFace, IJB-B, and IJB-C demonstrate that DArFace surpasses state-of-the-art methods, with significant gains attributed to the inclusion of local deformation modeling.
- Abstract（参考訳）: 顔認識システムは、ディープニューラルネットワーク、高度な損失関数、大規模データセットを活用することで、目覚ましい成功を収めた。
しかし、その性能は、低品質の顔画像を含む現実のシナリオで劣化することが多い。
このような劣化は、監視映像やスタンドオフ・イメージングでよく見られるもので、低解像度、動きのぼかし、様々な歪みが含まれており、訓練中に通常使用される高品質なデータとはかなりの領域差がある。
既存のアプローチでは、ネットワークアーキテクチャを変更したり、グローバルな空間変換をモデル化することでロバストネスに対処しようとするが、実世界の環境に固有の局所的な非剛性変形をしばしば見落としている。
本研究では,変形を意識した堅牢な顔認識フレームワークであるDArFaceを紹介する。
本手法は,訓練中の大域変換(例えば,回転,変換)と局所弾性変形の両方を逆向きに統合し,現実的な低品質条件をシミュレートする。
さらに、異なる変形した視点にまたがってアイデンティティの一貫性を強制する対照的な目的を導入する。
TinyFace、IJB-B、IJB-Cといった低品質のベンチマークに対する大規模な評価は、DArFaceが最先端の手法を超越していることを示している。
関連論文リスト
- Rank-based No-reference Quality Assessment for Face Swapping [88.53827937914038]
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。
論文 参考訳（メタデータ） (2024-06-04T01:36:29Z) - Teacher-Student Network for Real-World Face Super-Resolution with Progressive Embedding of Edge Information [2.280954956645056]
実データと合成データの領域ギャップを考慮した,実世界の顔超解像教師学生モデルを提案する。
提案手法は,実世界のFSRにおいて,高品質な顔画像を得るための最先端手法を超越した手法である。
論文 参考訳（メタデータ） (2024-05-08T02:48:52Z) - 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) - MetaF2N: Blind Image Super-Resolution by Learning Efficient Model
Adaptation from Faces [51.42949911178461]
メタ学習フレームワークにおいて,自然画像全体に対応するためのモデルパラメータを微調整するメタF2Nという手法を提案する。
復元された顔と接地構造とのギャップを考慮すると,低信頼領域の影響を低減するために,異なる位置における損失重みを適応的に予測するMaskNetを配置する。
論文 参考訳（メタデータ） (2023-09-15T02:45:21Z) - DaliID: Distortion-Adaptive Learned Invariance for Identification Models [9.502663556403622]
本稿では,同定のための歪み適応型学習不変性(DaliID)モデルを提案する。
DaliIDモデルは、7つのベンチマークデータセット上で、顔認識と人物の再識別の両方のために、最先端(SOTA)を実現する。
論文 参考訳（メタデータ） (2023-02-11T18:19:41Z) - Towards Robust Blind Face Restoration with Codebook Lookup Transformer [94.48731935629066]
ブラインドフェイスの修復は、しばしば補助的なガイダンスを必要とする非常に不適切な問題である。
学習した個別のコードブックを小さなプロキシ空間に配置し,ブラインドフェイスの復元をコード予測タスクとすることを示す。
我々は、低品質顔のグローバルな構成とコンテキストをモデル化するトランスフォーマーベースの予測ネットワーク、CodeFormerを提案する。
論文 参考訳（メタデータ） (2022-06-22T17:58:01Z) - 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) - SelFSR: Self-Conditioned Face Super-Resolution in the Wild via Flow
Field Degradation Network [12.976199676093442]
野生における顔超解像のための新しいドメイン適応分解ネットワークを提案する。
我々のモデルは,CelebAと実世界の顔データセットの両方で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-12-20T17:04:00Z) - Robust Attentive Deep Neural Network for Exposing GAN-generated Faces [40.15016121723183]
本稿では,GAN生成した顔の視線不整合を解析して検出できる,頑健で注意深いエンドツーエンドネットワークを提案する。
我々は,AUCの損失と従来のクロスエントロピーの損失を共同で考慮し,不均衡な学習問題に対処する。
論文 参考訳（メタデータ） (2021-09-05T21:22:39Z) - Cross-Quality LFW: A Database for Analyzing Cross-Resolution Image Face
Recognition in Unconstrained Environments [8.368543987898732]
現実世界の顔認識アプリケーションは、異なるキャプチャ条件のために、最適な画像の品質や解像度を扱うことが多い。
最近のクロスレゾリューション顔認識手法は、画像品質における現実のエッジケースとの距離を測定するために、単純で任意で非現実的なダウンスケールとアップスケーリングの手法を用いている。
本稿では,Wildにおける有名なラベル付き顔から派生した,新しい標準ベンチマークデータセットと評価プロトコルを提案する。
論文 参考訳（メタデータ） (2021-08-23T17:04:32Z) - Real-world Person Re-Identification via Degradation Invariance Learning [111.86722193694462]
現実のシナリオにおける人物再識別(Re-ID)は通常、低解像度、弱い照明、ぼやけ、悪天候などの様々な劣化要因に悩まされる。
本稿では,現実世界のRe-IDを対象とした劣化不変学習フレームワークを提案する。
自己教師付き不整合表現学習戦略を導入することにより,個人性に関連する頑健な特徴を同時に抽出することができる。
論文 参考訳（メタデータ） (2020-04-10T07:58:50Z)
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。