論文の概要: Locally Controlled Face Aging with Latent Diffusion Models

• arxiv url: http://arxiv.org/abs/2507.21600v1
• Date: Tue, 29 Jul 2025 09:01:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:55.952171
• Title: Locally Controlled Face Aging with Latent Diffusion Models
• Title（参考訳）: 潜時拡散モデルによる局所制御面の老化
• Authors: Lais Isabelle Alves dos Santos, Julien Despois, Thibaut Chauffier, Sileye O. Ba, Giovanni Palma,
• Abstract要約: 本稿では,高齢化をグローバルな均質なプロセスとして扱う現在の手法の限界に対処する新しいアプローチを提案する。 そこで本手法では,局所的老化標識を用いた潜伏拡散モデルを用いて,特定の顔領域を選択的に老化させる手法を提案する。 我々は、これらの局所的な古い領域をシームレスにブレンドし、グローバルに一貫した自然な合成を保証するために、潜伏拡散精製器を使用している。
• 参考スコア（独自算出の注目度）: 1.456352735394398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel approach to face aging that addresses the limitations of current methods which treat aging as a global, homogeneous process. Existing techniques using GANs and diffusion models often condition generation on a reference image and target age, neglecting that facial regions age heterogeneously due to both intrinsic chronological factors and extrinsic elements like sun exposure. Our method leverages latent diffusion models to selectively age specific facial regions using local aging signs. This approach provides significantly finer-grained control over the generation process, enabling more realistic and personalized aging. We employ a latent diffusion refiner to seamlessly blend these locally aged regions, ensuring a globally consistent and natural-looking synthesis. Experimental results demonstrate that our method effectively achieves three key criteria for successful face aging: robust identity preservation, high-fidelity and realistic imagery, and a natural, controllable aging progression.
• Abstract（参考訳）: 本稿では,高齢化をグローバルな均質なプロセスとして扱う現在の手法の限界に対処する新しいアプローチを提案する。 GANと拡散モデルを用いた既存の技術は、しばしば基準画像と目標年齢に基づいて条件付けを行い、固有の時間的要因と日光のような外在的要素の両方により顔領域が不均一に老化していることを無視する。 本手法は局所的な老化の兆候を用いて,潜伏拡散モデルを用いて選択的に年齢差のある顔領域に適応する。 このアプローチは、生成プロセスに対するよりきめ細かい制御を提供し、より現実的でパーソナライズされた老化を可能にする。 我々は、これらの局所的な古い領域をシームレスにブレンドし、グローバルに一貫した自然な合成を保証するために、潜伏拡散精製器を使用している。 実験の結果, 顔の老化に有効な3つの重要な基準, 頑健なアイデンティティ保存, 高忠実でリアルなイメージ, 自然かつ制御可能な老化進行を効果的に達成できることが示唆された。

関連論文リスト

• The Aging Multiverse: Generating Condition-Aware Facial Aging Tree via Training-Free Diffusion [7.536205940569963]
  一つの画像から複数の可塑性顔の老化軌跡を生成するためのフレームワークであるAging Multiverseを紹介する。 本研究では,アイデンティティの保存,年齢の正確さ,条件管理のバランスをとるための,学習自由拡散に基づく手法を提案する。 実験とユーザスタディでは、アイデンティティ保存、高齢化リアリズム、条件付きアライメントなど、最先端のパフォーマンスが実証されている。
  論文  参考訳（メタデータ） (2025-06-26T04:57:47Z)
• 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)
• DiffAge3D: Diffusion-based 3D-aware Face Aging [61.3027596093854]
  本稿では,DiffAge3Dを提案する。DiffAge3Dは3D設定で忠実な老化とアイデンティティ保存を行う最初の3D対応高齢化フレームワークである。 我々のフレームワークは、トレーニング済みの3D GANを利用して、堅牢な3D対応老化データセット生成パイプラインを含む。 DiffAge3Dは既存の手法、特にマルチビューの老朽化や細部保存において優れることを示す。
  論文  参考訳（メタデータ） (2024-08-28T16:36:09Z)
• Face Aging via Diffusion-based Editing [5.318584973533008]
  FAdingは,Diffusion-based editiNGによる顔の老化に対処するための新しいアプローチである。 我々は、大規模言語画像拡散モデルのリッチな事前利用により、既存の手法を超越する。 提案手法は, 経年的精度, 属性保存, 経年的品質に関して, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-20T13:47:10Z)
• Pluralistic Aging Diffusion Autoencoder [63.50599304294062]
  顔の老化は、複数のプラプシブルな老化パターンが与えられた入力に対応する可能性があるため、不適切な問題である。 本稿では,CLIP駆動型多言語時効拡散オートエンコーダを提案する。
  論文  参考訳（メタデータ） (2023-03-20T13:20:14Z)
• Continuous Face Aging Generative Adversarial Networks [11.75204350455584]
  顔の老化は、入力画像の顔を指定された年齢に翻訳することを目的としたタスクです。 それまでの方法は、それぞれが10年からなる離散年齢群を生成できるだけに限られていた。 CFA-GAN (Continuous face aging generative adversarial Network) を提案する。
  論文  参考訳（メタデータ） (2021-02-26T06:22:25Z)
• PFA-GAN: Progressive Face Aging with Generative Adversarial Network [19.45760984401544]
  本論文では,PFA-GANを基盤とした新しい顔老化フレームワークを提案する。 このフレームワークは、蓄積されたアーティファクトと曖昧さを取り除くために、エンドツーエンドでトレーニングすることができる。 実験により,既存の (c) GANs 法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-12-07T05:45:13Z)
• 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。