論文の概要: NegFaceDiff: The Power of Negative Context in Identity-Conditioned Diffusion for Synthetic Face Generation

• arxiv url: http://arxiv.org/abs/2508.09661v1
• Date: Wed, 13 Aug 2025 09:45:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.843713
• Title: NegFaceDiff: The Power of Negative Context in Identity-Conditioned Diffusion for Synthetic Face Generation
• Title（参考訳）: NegFaceDiff: 顔生成のためのアイデンティティ定義拡散における否定的文脈の力
• Authors: Eduarda Caldeira, Naser Damer, Fadi Boutros,
• Abstract要約: NegFaceDiffは、負条件を同一条件拡散過程に組み込む新しいサンプリング手法である。 我々は、NegFaceDiffが、アイデンティティ条件付き拡散モデルによって生成されるデータのアイデンティティ一貫性と分離性を大幅に改善することを示す。
• 参考スコア（独自算出の注目度）: 8.045296450065019
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The use of synthetic data as an alternative to authentic datasets in face recognition (FR) development has gained significant attention, addressing privacy, ethical, and practical concerns associated with collecting and using authentic data. Recent state-of-the-art approaches have proposed identity-conditioned diffusion models to generate identity-consistent face images, facilitating their use in training FR models. However, these methods often lack explicit sampling mechanisms to enforce inter-class separability, leading to identity overlap in the generated data and, consequently, suboptimal FR performance. In this work, we introduce NegFaceDiff, a novel sampling method that incorporates negative conditions into the identity-conditioned diffusion process. NegFaceDiff enhances identity separation by leveraging negative conditions that explicitly guide the model away from unwanted features while preserving intra-class consistency. Extensive experiments demonstrate that NegFaceDiff significantly improves the identity consistency and separability of data generated by identity-conditioned diffusion models. Specifically, identity separability, measured by the Fisher Discriminant Ratio (FDR), increases from 2.427 to 5.687. These improvements are reflected in FR systems trained on the NegFaceDiff dataset, which outperform models trained on data generated without negative conditions across multiple benchmarks.
• Abstract（参考訳）: 顔認識(FR)開発における認証データセットの代替として合成データを使用することは、プライバシ、倫理的、実用上の懸念に対処し、注目されている。 最近の最先端のアプローチでは、アイデンティティに一貫性のある顔画像を生成するために、ID条件の拡散モデルを提案しており、FRモデルのトレーニングに使用することができる。 しかし、これらの手法はクラス間分離性を強制する明示的なサンプリング機構を欠くことが多く、生成したデータの同一性が重なり、その結果、サブ最適FR性能が向上する。 本研究では,負条件を同一条件拡散過程に組み込んだ新しいサンプリング手法NegFaceDiffを紹介する。 NegFaceDiffは、クラス内の一貫性を維持しながら、不要な特徴からモデルを明示的に誘導する負の条件を活用することにより、アイデンティティ分離を強化する。 大規模な実験により、NegFaceDiffはアイデンティティ条件付き拡散モデルによって生成されたデータのアイデンティティ一貫性と分離性を大幅に改善することが示された。 具体的には、FDR(Fisher Discriminant Ratio)によって測定されるアイデンティティ分離性は2.427から5.687に増加する。 これらの改善は、NegFaceDiffデータセットでトレーニングされたFRシステムに反映されている。

関連論文リスト

• UIFace: Unleashing Inherent Model Capabilities to Enhance Intra-Class Diversity in Synthetic Face Recognition [42.86969216015855]
  顔認識(FR)はコンピュータビジョンにおいて最も重要な応用の1つである。 UIFaceとして短縮された合成顔認識のためのクラス内多様性を高めるフレームワークを提案する。 実験結果から,本手法は従来の手法に比べてトレーニングデータが少なく,合成データセットの約半分の規模で大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-02-27T06:22:18Z)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• 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)
• Adv-Diffusion: Imperceptible Adversarial Face Identity Attack via Latent Diffusion Model [61.53213964333474]
  本稿では,生の画素空間ではなく,潜在空間における非知覚的対角的アイデンティティ摂動を生成できる統一的なフレームワークAdv-Diffusionを提案する。 具体的には,周囲のセマンティックな摂動を生成するために,個人性に敏感な条件付き拡散生成モデルを提案する。 設計された適応強度に基づく対向摂動アルゴリズムは、攻撃の伝達性とステルス性の両方を確保することができる。
  論文  参考訳（メタデータ） (2023-12-18T15:25:23Z)

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。