論文の概要: Pose-invariant face recognition via feature-space pose frontalization

• arxiv url: http://arxiv.org/abs/2505.16412v1
• Date: Thu, 22 May 2025 09:01:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.172282
• Title: Pose-invariant face recognition via feature-space pose frontalization
• Title（参考訳）: 特徴空間ポーズフロンダリゼーションによるポーズ不変顔認識
• Authors: Nikolay Stanishev, Yuhang Lu, Touradj Ebrahimi,
• Abstract要約: ポーズ不変の顔認識は、現代のAIベースの顔認識システムにとって難しい問題である。 本稿では,特徴空間内で顔のフロンダリゼーションと認識を行う新しい手法を提案する。 FSPFMの可能性を最大化し、性能を高めるため、新しい訓練パラダイムが提案されている。
• 参考スコア（独自算出の注目度）: 9.105950041800225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pose-invariant face recognition has become a challenging problem for modern AI-based face recognition systems. It aims at matching a profile face captured in the wild with a frontal face registered in a database. Existing methods perform face frontalization via either generative models or learning a pose robust feature representation. In this paper, a new method is presented to perform face frontalization and recognition within the feature space. First, a novel feature space pose frontalization module (FSPFM) is proposed to transform profile images with arbitrary angles into frontal counterparts. Second, a new training paradigm is proposed to maximize the potential of FSPFM and boost its performance. The latter consists of a pre-training and an attention-guided fine-tuning stage. Moreover, extensive experiments have been conducted on five popular face recognition benchmarks. Results show that not only our method outperforms the state-of-the-art in the pose-invariant face recognition task but also maintains superior performance in other standard scenarios.
• Abstract（参考訳）: ポーズ不変の顔認識は、現代のAIベースの顔認識システムにとって難しい問題となっている。 データベースに登録された前面の顔と野生で捕獲されたプロフィール顔とをマッチングすることを目的としている。 既存の方法は、生成モデルまたはポーズの頑健な特徴表現を学ぶことによって、顔のフロンダリゼーションを行う。 本稿では,特徴空間内で顔のフロンダリゼーションと認識を行う新しい手法を提案する。 まず、任意の角度のプロファイル画像をフロントに変換するために、新しい特徴空間ポーズフロンダリゼーションモジュール(FSPFM)を提案する。 第2に、FSPFMの可能性を最大化し、その性能を高めるために、新しい訓練パラダイムが提案されている。 後者は事前訓練と注意を向けた微調整のステージで構成されている。 さらに、5つの一般的な顔認識ベンチマークで広範な実験が行われた。 その結果、提案手法は、ポーズ不変顔認証タスクにおける最先端だけでなく、他の標準シナリオにおいても優れた性能を維持していることが明らかとなった。

関連論文リスト

• Test-Time Augmentation for Pose-invariant Face Recognition [14.515296731166721]
  Pose-TTAは、追加のトレーニングなしで顔を推論時に整列させる新しいアプローチである。 これを実現するために、画像のイメージを駆動画像のポーズに転送するポートレートアニメーターを用いる。 合成データから生じる歪みやバイアスに対処するための重み付き特徴集約戦略を提案する。
  論文  参考訳（メタデータ） (2025-05-14T10:11:35Z)
• Generalized Face Liveness Detection via De-fake Face Generator [52.23271636362843]
  以前の顔アンチスプーフィング(FAS)手法は、目に見えない領域に一般化するという課題に直面している。 本稿では,大規模に付加的な現実面を効果的に活用できるAnomalous cue Guided FAS (AG-FAS)法を提案する。 提案手法は,未知のシナリオと未知のプレゼンテーションアタックを用いたクロスドメイン評価において,最先端の結果を実現する。
  論文  参考訳（メタデータ） (2024-01-17T06:59:32Z)
• FaceDancer: Pose- and Occlusion-Aware High Fidelity Face Swapping [62.38898610210771]
  そこで我々は,FaceDancerという顔のスワップとID転送のための新しい単一ステージ手法を提案する。 アダプティブ・フィーチャー・フュージョン・アテンション(AFFA)と解釈的特徴類似性規則化(IFSR)の2つの主要なコントリビューションがある。
  論文  参考訳（メタデータ） (2022-10-19T11:31:38Z)
• Pose Attention-Guided Profile-to-Frontal Face Recognition [13.96448286983864]
  本稿では,アテンション機構を介してポーズを補助情報として活用するための新しいアプローチを提案する。 我々は、プロファイル顔からポーズ非依存の特徴抽出を特別に導くために、新しいポーズアテンションブロック(PAB)を開発した。 より具体的に言うと、PABはネットワークがチャネル次元と空間次元の両方に沿って重要な特徴に焦点を合わせるのに役立つように設計されている。
  論文  参考訳（メタデータ） (2022-09-15T02:06:31Z)
• PAM: Pose Attention Module for Pose-Invariant Face Recognition [3.0839245814393723]
  ポーズ不変顔認識のための軽量で実装が容易な注目ブロックである Pose Attention Module (PAM) を提案する。 特に、PAMは、ポーズのバリエーション間の残差をソフトゲート機構で学習することにより、階層的特徴空間における正面特徴変換を行う。
  論文  参考訳（メタデータ） (2021-11-23T15:18:33Z)
• SphereFace Revived: Unifying Hyperspherical Face Recognition [57.07058009281208]
  我々は,超球面顔認識において,大きな角マージンを理解するための統一的な枠組みを導入する。 このフレームワークでは,SphereFace-Rという,トレーニングの安定性が大幅に向上した改良版を提案する。 我々は、SphereFace-Rが最先端の手法よりも一貫して優れているか、競合していることを示す。
  論文  参考訳（メタデータ） (2021-09-12T17:07:54Z)
• PoseFace: Pose-Invariant Features and Pose-Adaptive Loss for Face Recognition [42.62320574369969]
  本稿では,顔のランドマークを利用してポーズ不変の特徴を解消し,不均衡問題に適応的に対処するためにポーズ適応的損失を利用する,効率的なPoseFaceフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-25T03:50:47Z)
• Attention-guided Progressive Mapping for Profile Face Recognition [12.792576041526289]
  顔認証のクロスポーズは依然として重要な課題である。 正面の顔の特徴空間にトラバースすることで、ポーズ・ロバストな特徴を学習することは、この問題を緩和するための効果的で安価な方法を提供する。
  論文  参考訳（メタデータ） (2021-06-27T02:21:41Z)
• Joint Face Image Restoration and Frontalization for Recognition [79.78729632975744]
  現実世界のシナリオでは、大きなポーズ、悪い照明、低解像度、ぼやけ、ノイズなど、多くの要因が顔認識性能を損なう可能性がある。 それまでの努力は通常、まず品質の低い顔から高品質な顔に復元し、次に顔認識を行う。 与えられた低品質の顔からフロンダル化された高品質の顔を復元する多段階顔復元モデルを提案する。
  論文  参考訳（メタデータ） (2021-05-12T03:52:41Z)
• DotFAN: A Domain-transferred Face Augmentation Network for Pose and Illumination Invariant Face Recognition [94.96686189033869]
  本稿では,3次元モデルを用いたドメイン転送型顔強調ネットワーク(DotFAN)を提案する。 DotFANは、他のドメインから収集された既存のリッチフェイスデータセットから抽出された知識に基づいて、入力顔の一連の変種を生成することができる。 実験によると、DotFANは、クラス内の多様性を改善するために、小さな顔データセットを増やすのに有益である。
  論文  参考訳（メタデータ） (2020-02-23T08:16:34Z)
• Dual-Attention GAN for Large-Pose Face Frontalization [59.689836951934694]
  本稿では,フォトリアリスティック顔フロンダル化のためのDA-GAN(Dual-Attention Generative Adversarial Network)を提案する。 具体的には、ローカル機能と長距離依存関係を統合するために、自己アテンションベースのジェネレータが導入された。 顔領域の局所的特徴を強調するために,新しい顔認識に基づく識別器を適用した。
  論文  参考訳（メタデータ） (2020-02-17T20:00:56Z)

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。