論文の概要: A Lightweight Face Quality Assessment Framework to Improve Face Verification Performance in Real-Time Screening Applications

• arxiv url: http://arxiv.org/abs/2507.15961v1
• Date: Mon, 21 Jul 2025 18:04:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 21:34:13.830667
• Title: A Lightweight Face Quality Assessment Framework to Improve Face Verification Performance in Real-Time Screening Applications
• Title（参考訳）: リアルタイムスクリーニングアプリケーションにおける顔認証性能向上のための軽量顔品質評価フレームワーク
• Authors: Ahmed Aman Ibrahim, Hamad Mansour Alawar, Abdulnasser Abbas Zehi, Ahmed Mohammad Alkendi, Bilal Shafi Ashfaq Ahmed Mirza, Shan Ullah, Ismail Lujain Jaleel, Hassan Ugail,
• Abstract要約: 顔画像の品質は、顔認証システムの精度と信頼性を決定する上で重要な役割を果たす。 低画質の顔画像は、しばしば動きのぼやけ、照明条件の悪さ、極端なポーズの変化などの要因によって引き起こされ、顔認識モデルの性能を著しく低下させる。 検証パイプラインに渡す前に,低品質の顔画像の事前フィルタリングを目的とした,顔品質自動評価のための軽量かつ効果的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Face image quality plays a critical role in determining the accuracy and reliability of face verification systems, particularly in real-time screening applications such as surveillance, identity verification, and access control. Low-quality face images, often caused by factors such as motion blur, poor lighting conditions, occlusions, and extreme pose variations, significantly degrade the performance of face recognition models, leading to higher false rejection and false acceptance rates. In this work, we propose a lightweight yet effective framework for automatic face quality assessment, which aims to pre-filter low-quality face images before they are passed to the verification pipeline. Our approach utilises normalised facial landmarks in conjunction with a Random Forest Regression classifier to assess image quality, achieving an accuracy of 96.67\%. By integrating this quality assessment module into the face verification process, we observe a substantial improvement in performance, including a comfortable 99.7\% reduction in the false rejection rate and enhanced cosine similarity scores when paired with the ArcFace face verification model. To validate our approach, we have conducted experiments on a real-world dataset collected comprising over 600 subjects captured from CCTV footage in unconstrained environments within Dubai Police. Our results demonstrate that the proposed framework effectively mitigates the impact of poor-quality face images, outperforming existing face quality assessment techniques while maintaining computational efficiency. Moreover, the framework specifically addresses two critical challenges in real-time screening: variations in face resolution and pose deviations, both of which are prevalent in practical surveillance scenarios.
• Abstract（参考訳）: 顔画像の品質は、顔認証システムの精度と信頼性を決定する上で、特に監視、アイデンティティ検証、アクセス制御などのリアルタイムスクリーニングアプリケーションにおいて重要な役割を果たす。 低画質の顔画像は、しばしば動きのぼやけ、照明条件の悪さ、オクルージョン、極端なポーズの変化などの要因によって引き起こされ、顔認識モデルの性能が著しく低下し、偽の拒絶と偽の受け入れ率が高くなった。 本研究では,検証パイプラインに渡す前に,低品質の顔画像の事前フィルタリングを目的とした,顔品質自動評価のための軽量かつ効果的なフレームワークを提案する。 本手法では,ランダムフォレスト回帰分類器と併用して画像品質の評価を行い,96.67\%の精度を実現する。 この品質評価モジュールを顔認証プロセスに統合することにより、偽拒否率の99.7\%削減や、ArcFaceの顔認証モデルと組み合わせた場合のコサイン類似度スコアの向上など、大幅な性能向上が観察できる。 提案手法を検証するため,ドバイ警察内の非拘束環境において,CCTV映像から600人以上の被験者を収集した実世界のデータセットを用いて実験を行った。 提案手法は,品質の悪い顔画像の影響を効果的に軽減し,計算効率を維持しつつ,既存の顔品質評価技術より優れていることを示す。 さらに、このフレームワークは、リアルタイムスクリーニングにおける2つの重要な課題に特に対処している。

関連論文リスト

• Impact of Face Alignment on Face Image Quality [0.0]
  顔画像品質に対するアライメントの影響については, 十分に調査されていない。 本研究では,顔のアライメントが顔の画質に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2024-12-16T13:49:57Z)
• Analysis and Benchmarking of Extending Blind Face Image Restoration to Videos [99.42805906884499]
  まず,実世界の低品質顔画像ベンチマーク(RFV-LQ)を導入し,画像に基づく顔復元アルゴリズムの評価を行った。 次に、失明顔画像復元アルゴリズムを劣化顔ビデオに拡張する際の利点と課題を網羅的に分析する。 分析では、主に顔成分の顕著なジッタとフレーム間のノイズシェープの2つの側面に分類する。
  論文  参考訳（メタデータ） (2024-10-15T17:53:25Z)
• 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)
• 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)
• Exploring Decision-based Black-box Attacks on Face Forgery Detection [53.181920529225906]
  顔の偽造生成技術は鮮明な顔を生み出し、セキュリティとプライバシーに対する世間の懸念を高めている。 顔偽造検出は偽の顔の識別に成功しているが、最近の研究では顔偽造検出は敵の例に対して非常に脆弱であることが示されている。
  論文  参考訳（メタデータ） (2023-10-18T14:49:54Z)
• Boosting Cross-Quality Face Verification using Blind Face Restoration [0.13654846342364302]
  低画質画像の知覚品質を高めるためには,顔認証の課題が不可欠である。 本稿では,3つの最先端のブラインドフェイス復元技術が顔認証システムの性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2023-08-15T18:05:19Z)
• 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)
• Simultaneous Face Hallucination and Translation for Thermal to Visible Face Verification using Axial-GAN [74.22129648654783]
  低分解能熱画像から熱可視面検証のタスクを紹介します。 本稿では,Axial-Generative Adversarial Network (Axial-GAN)を提案する。
  論文  参考訳（メタデータ） (2021-04-13T22:34:28Z)
• Inducing Predictive Uncertainty Estimation for Face Recognition [102.58180557181643]
  顔画像の「マッドペア」から画像品質訓練データを自動的に生成する手法を提案する。 生成したデータを用いて、顔画像の信頼度を推定するために、PCNetと呼ばれる軽量な予測信頼ネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-09-01T17:52:00Z)
• SER-FIQ: Unsupervised Estimation of Face Image Quality Based on Stochastic Embedding Robustness [15.431761867166]
  任意の顔認識モデルに基づいて顔の質を測定する新しい概念を提案する。 提案手法を,学界と産業界からの6つの最先端アプローチと比較した。
  論文  参考訳（メタデータ） (2020-03-20T16:50:30Z)

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。