論文の概要: Leveraging Generative AI Models to Explore Human Identity

• arxiv url: http://arxiv.org/abs/2505.14843v1
• Date: Sat, 19 Apr 2025 12:35:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-25 10:52:49.069916
• Title: Leveraging Generative AI Models to Explore Human Identity
• Title（参考訳）: 生成AIモデルを活用して人間のアイデンティティを探索する
• Authors: Yunha Yeo, Daeho Um,
• Abstract要約: 本稿では、ニューラルネットワークを間接的に活用して、人間のアイデンティティを探求する。 生成した人間の顔と人間の身元を関連付けることにより、顔画像生成プロセスと人間の身元形成プロセスとの対応性を確立する。
• 参考スコア（独自算出の注目度）: 1.8139774424530175
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper attempts to explore human identity by utilizing neural networks in an indirect manner. For this exploration, we adopt diffusion models, state-of-the-art AI generative models trained to create human face images. By relating the generated human face to human identity, we establish a correspondence between the face image generation process of the diffusion model and the process of human identity formation. Through experiments with the diffusion model, we observe that changes in its external input result in significant changes in the generated face image. Based on the correspondence, we indirectly confirm the dependence of human identity on external factors in the process of human identity formation. Furthermore, we introduce \textit{Fluidity of Human Identity}, a video artwork that expresses the fluid nature of human identity affected by varying external factors. The video is available at https://www.behance.net/gallery/219958453/Fluidity-of-Human-Identity?.
• Abstract（参考訳）: 本稿では、ニューラルネットワークを間接的に活用して、人間のアイデンティティを探求する。 この探索のために、人間の顔画像を作成するために訓練された、最先端のAI生成モデルである拡散モデルを採用する。 生成した人間の顔と人間の身元を関連付けることにより、拡散モデルの顔画像生成過程と人間の身元形成過程との対応性を確立する。 拡散モデルを用いた実験により,外部入力の変化が生成した顔画像に顕著な変化をもたらすことが明らかとなった。 この対応に基づいて,人間のアイデンティティ形成過程における外部要因に対する人間のアイデンティティの依存性を間接的に確認する。 さらに,外的要因によって影響される人間のアイデンティティの流動性を表現するビデオアートワークである「textit{Fluidity of Human Identity}」を紹介した。 ビデオはhttps://www.behance.net/gallery/2 19958453/Fluidity-of-Human-Identity? と。

関連論文リスト

• Multi-identity Human Image Animation with Structural Video Diffusion [64.20452431561436]
  本稿では,リアルなマルチヒューマンビデオを生成するための新しいフレームワークであるStructure Video Diffusionを提案する。 当社のアプローチでは、個人間で一貫した外観を維持するために、アイデンティティ固有の埋め込みを導入している。 さまざまなマルチヒューマンとオブジェクトのインタラクションシナリオを特徴とする25Kの新しいビデオで、既存のヒューマンビデオデータセットを拡張します。
  論文  参考訳（メタデータ） (2025-04-05T10:03:49Z)
• Data Synthesis with Diverse Styles for Face Recognition via 3DMM-Guided Diffusion [37.847141686823264]
  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。
  論文  参考訳（メタデータ） (2025-04-01T05:22:53Z)
• HumanGif: Single-View Human Diffusion with Generative Prior [25.516544735593087]
  本稿では, 先行生成に基づく単一ビューヒト拡散モデルであるHumanGifを提案する。 具体的には、単一ビューに基づく3次元人間の新しいビューを定式化し、単一ビュー条件のヒト拡散過程として合成する。 我々は,HumanGifが最高の知覚性能を達成し,新しい視点とポーズ合成の一般化性が向上したことを示す。
  論文  参考訳（メタデータ） (2025-02-17T17:55:27Z)
• 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)
• Analysis of Human Perception in Distinguishing Real and AI-Generated Faces: An Eye-Tracking Based Study [6.661332913985627]
  本研究では,人間がどのように実像と偽像を知覚し,区別するかを検討する。 StyleGAN-3生成画像を解析したところ、参加者は76.80%の平均精度で偽の顔と現実を区別できることがわかった。
  論文  参考訳（メタデータ） (2024-09-23T19:34:30Z)
• 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)
• StableIdentity: Inserting Anybody into Anywhere at First Sight [57.99693188913382]
  一つの顔画像で同一性に一貫性のある再テクスチャ化を可能にするStableIdentityを提案する。 私たちは、1つの画像から学んだアイデンティティを直接、微調整なしでビデオ/3D生成に注入する最初の人です。
  論文  参考訳（メタデータ） (2024-01-29T09:06:15Z)
• Graph-based Generative Face Anonymisation with Pose Preservation [49.18049578591058]
  AnonyGANは、顔の匿名化のためのGANベースのソリューションである。 ソースアイデンティティに対応する視覚情報を、任意の単一のイメージとして提供される条件IDに置き換える。
  論文  参考訳（メタデータ） (2021-12-10T12:58:17Z)
• 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)
• Salient Facial Features from Humans and Deep Neural Networks [2.5211876507510724]
  顔の分類に人間や畳み込みニューラルネットワーク(ConvNet)が利用する特徴について検討する。 我々は、特定の個人を特定する際に最もConvNetの出力に影響を与える顔の特徴を可視化するために、ガイドバックプロパゲーション(GB)を使用する。
  論文  参考訳（メタデータ） (2020-03-08T22:41:04Z)

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。