論文の概要: Identity-Preserving Aging and De-Aging of Faces in the StyleGAN Latent Space

• arxiv url: http://arxiv.org/abs/2508.08808v1
• Date: Tue, 12 Aug 2025 10:02:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.379474
• Title: Identity-Preserving Aging and De-Aging of Faces in the StyleGAN Latent Space
• Title（参考訳）: スタイルGAN潜時空間における顔の自己保存時効と退化時効
• Authors: Luis S. Luevano, Pavel Korshunov, Sebastien Marcel,
• Abstract要約: 本稿では,StyleGAN2の潜伏空間を編集することで,老朽化した顔と老朽化した顔の合成を提案する。 次に、入力面のID保存を保証するため、年齢/年齢パラメータの制限を推定する式を提案する。 提案手法と推定パラメータは, 年齢差認識, 年齢保証システム, 合成画像検出システムなどのベンチマークに利用することができる。
• 参考スコア（独自算出の注目度）: 4.852932390076274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Face aging or de-aging with generative AI has gained significant attention for its applications in such fields like forensics, security, and media. However, most state of the art methods rely on conditional Generative Adversarial Networks (GANs), Diffusion-based models, or Visual Language Models (VLMs) to age or de-age faces based on predefined age categories and conditioning via loss functions, fine-tuning, or text prompts. The reliance on such conditioning leads to complex training requirements, increased data needs, and challenges in generating consistent results. Additionally, identity preservation is rarely taken into accountor evaluated on a single face recognition system without any control or guarantees on whether identity would be preserved in a generated aged/de-aged face. In this paper, we propose to synthesize aged and de-aged faces via editing latent space of StyleGAN2 using a simple support vector modeling of aging/de-aging direction and several feature selection approaches. By using two state-of-the-art face recognition systems, we empirically find the identity preserving subspace within the StyleGAN2 latent space, so that an apparent age of a given face can changed while preserving the identity. We then propose a simple yet practical formula for estimating the limits on aging/de-aging parameters that ensures identity preservation for a given input face. Using our method and estimated parameters we have generated a public dataset of synthetic faces at different ages that can be used for benchmarking cross-age face recognition, age assurance systems, or systems for detection of synthetic images. Our code and dataset are available at the project page https://www.idiap.ch/paper/agesynth/
• Abstract（参考訳）: ジェネレーティブAIによる顔の老朽化や老朽化は、法医学、セキュリティ、メディアといった分野における応用において大きな注目を集めている。 しかし、最先端のほとんどの手法は、あらかじめ定義された年齢のカテゴリーと、損失関数、微調整、テキストプロンプトによる条件付けに基づいて、年齢や年齢に応じて、条件付き生成逆数ネットワーク(GAN)、拡散モデル、または視覚言語モデル(VLM)に依存している。 このような条件付けへの依存は、複雑なトレーニング要件、データ要求の増加、一貫性のある結果を生成する上での課題につながります。 さらに、同一性保持は、発生した高齢/高齢の顔にアイデンティティが保存されるかどうかを制御または保証することなく、単一の顔認識システムで評価された会計士に取られることは滅多にない。 本稿では,老化/退化方向の単純なサポートベクトルモデリングといくつかの特徴選択手法を用いて,StyleGAN2の潜伏空間を編集し,老化・老化顔の合成を提案する。 2つの最先端顔認識システムを用いて、StyleGAN2潜伏空間内のアイデンティティ保存部分空間を経験的に発見し、そのアイデンティティを保ちながら、特定の顔の見かけ年齢を変えることができる。 そこで本稿では,入力面のID保存を確実にする,老化/老化パラメータの限界を推定するための,単純かつ実用的な式を提案する。 提案手法と推定パラメータを用いて,年齢の異なる合成顔の公開データセットを生成し,年齢差認識,年齢保証システム,合成画像の検出システムなどのベンチマークに利用した。 私たちのコードとデータセットはプロジェクトページ https://www.idiap.ch/paper/agesynth/ で公開されています。

関連論文リスト

• 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)
• When Age-Invariant Face Recognition Meets Face Age Synthesis: A Multi-Task Learning Framework and A New Benchmark [45.31997043789471]
  MTLFaceは、モデル解釈のための表情合成を行いながら、年齢不変の識別関連表現を顔認識のために学習することができる。 我々は、年齢と性別のアノテーションを備えた大規模な顔データセットと、長寿児の追跡に特化して設計された新しいベンチマークをリリースする。
  論文  参考訳（メタデータ） (2022-10-17T07:04:19Z)
• A Unified Framework for Biphasic Facial Age Translation with Noisy-Semantic Guided Generative Adversarial Networks [54.57520952117123]
  バイファシックな顔の年齢変換は、任意の年齢における入力顔の出現を予測することを目的としている。 本稿では,ノイズ・セマンティック誘導合成対向ネットワークを用いた二相性顔面年齢変換のための統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-09-15T15:30:35Z)
• FP-Age: Leveraging Face Parsing Attention for Facial Age Estimation in the Wild [50.8865921538953]
  年齢推定に顔のセマンティクスを明示的に組み込む手法を提案する。 我々は,顔解析に基づくネットワークを設計し,異なるスケールで意味情報を学習する。 提案手法は,既存の年齢推定手法を常に上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-21T14:31:32Z)
• When Age-Invariant Face Recognition Meets Face Age Synthesis: A Multi-Task Learning Framework [20.579282497730944]
  MTLFaceは、顔合成を楽しみながら、年齢不変のアイデンティティ関連表現を学習することができる。 グループレベルのfasを実現する従来のone-hotエンコーディングとは対照的に,アイデンティティレベルfasを実現するための新しいid条件モジュールを提案する。 5つのベンチマーククロスエイジデータセットに対する大規模な実験は、提案したMTLFaceの優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T07:03:27Z)
• 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)
• Age Gap Reducer-GAN for Recognizing Age-Separated Faces [72.26969872180841]
  本稿では,年齢変化に伴う顔と時間変化をマッチングする新しいアルゴリズムを提案する。 提案手法は,顔の年齢推定と年齢別顔の検証を組み合わせた統合フレームワークである。
  論文  参考訳（メタデータ） (2020-11-11T16:43:32Z)

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。