論文の概要: Personalized Face Super-Resolution with Identity Decoupling and Fitting

• arxiv url: http://arxiv.org/abs/2508.10937v1
• Date: Wed, 13 Aug 2025 02:33:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.589921
• Title: Personalized Face Super-Resolution with Identity Decoupling and Fitting
• Title（参考訳）: アイデンティティ分離とフィッティングによる顔超解像のパーソナライズ
• Authors: Jiarui Yang, Hang Guo, Wen Huang, Tao Dai, Shutao Xia,
• Abstract要約: 極端な劣化シナリオでは、重要な属性とID情報が入力画像で著しく失われることが多い。 既存の方法では、そのような条件下で幻覚顔を生成する傾向があり、真のID制約を欠いた復元画像を生成する。 本稿ではIDデカップリング・フィッティング(IDFSR)を用いた新しいFSR手法を提案する。
• 参考スコア（独自算出の注目度）: 50.473357681579664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, face super-resolution (FSR) methods have achieved remarkable progress, generally maintaining high image fidelity and identity (ID) consistency under standard settings. However, in extreme degradation scenarios (e.g., scale $> 8\times$), critical attributes and ID information are often severely lost in the input image, making it difficult for conventional models to reconstruct realistic and ID-consistent faces. Existing methods tend to generate hallucinated faces under such conditions, producing restored images lacking authentic ID constraints. To address this challenge, we propose a novel FSR method with Identity Decoupling and Fitting (IDFSR), designed to enhance ID restoration under large scaling factors while mitigating hallucination effects. Our approach involves three key designs: 1) \textbf{Masking} the facial region in the low-resolution (LR) image to eliminate unreliable ID cues; 2) \textbf{Warping} a reference image to align with the LR input, providing style guidance; 3) Leveraging \textbf{ID embeddings} extracted from ground truth (GT) images for fine-grained ID modeling and personalized adaptation. We first pretrain a diffusion-based model to explicitly decouple style and ID by forcing it to reconstruct masked LR face regions using both style and identity embeddings. Subsequently, we freeze most network parameters and perform lightweight fine-tuning of the ID embedding using a small set of target ID images. This embedding encodes fine-grained facial attributes and precise ID information, significantly improving both ID consistency and perceptual quality. Extensive quantitative evaluations and visual comparisons demonstrate that the proposed IDFSR substantially outperforms existing approaches under extreme degradation, particularly achieving superior performance on ID consistency.
• Abstract（参考訳）: 近年、顔超解像法(FSR)は目覚ましい進歩を遂げており、一般的には画像の忠実度とID(ID)の整合性を維持している。 しかし、極端な劣化シナリオ(例:scale $> 8\times$)では、重要な属性やID情報が入力画像で著しく失われることが多く、従来のモデルでは現実的かつIDに一貫性のある顔の再構築が困難である。 既存の方法では、そのような条件下で幻覚顔を生成する傾向があり、真のID制約を欠いた復元画像を生成する。 この課題に対処するため, 幻覚効果を緩和しつつ, 大規模スケール要因下でのID復元を促進すべく, IDデカップリング・フィッティング(IDFSR)を用いた新しいFSR手法を提案する。 私たちのアプローチには3つの重要な設計があります。 1)低解像度(LR)画像における顔領域の「textbf{Masking}」は、信頼できないIDの手がかりを排除する。 2) \textbf{Warping} LR入力と整合する参照画像であって,スタイルガイダンスを提供する。 3) きめ細かいIDモデリングとパーソナライズ適応のために, GT画像から抽出した「textbf{ID埋め込み」を活用する。 まず、拡散モデルを用いて、スタイルとIDを明示的に分離し、スタイルとアイデンティティの埋め込みの両方を用いて、マスク付きLRフェイス領域を再構築する。 その後、ほとんどのネットワークパラメータを凍結し、ターゲットID画像の小さなセットを用いて、ID埋め込みの軽量な微調整を行う。 この埋め込みは、きめ細かい顔の特徴と正確なID情報をエンコードし、IDの一貫性と知覚品質の両方を著しく改善する。 大規模な定量的評価と視覚的比較により、提案したIDFSRは、極端に劣化した既存のアプローチよりも大幅に優れており、特にID整合性において優れた性能を発揮することが示された。

関連論文リスト

• Robust ID-Specific Face Restoration via Alignment Learning [18.869593414569206]
  本稿では,拡散モデルに基づく新しい顔復元フレームワークであるRobust ID-Specific Face Restoration (RIDFR)を提案する。 RIDFRにはアライメント・ラーニング(Alignment Learning)が組み込まれており、複数の参照からの復元結果を同一のアイデンティティと整合させて、ID非関連顔のセマンティクスの干渉を抑制する。 実験により、我々のフレームワークは最先端の手法よりも優れており、高品質なID固有の結果を高いアイデンティティの忠実度で再現し、強靭性を示す。
  論文  参考訳（メタデータ） (2025-07-15T03:16:12Z)
• DreamID: High-Fidelity and Fast diffusion-based Face Swapping via Triplet ID Group Learning [8.184155602678754]
  DreamIDは、高レベルのID類似性、属性保存、画像の忠実性、高速推論速度を実現する拡散ベースの顔交換モデルである。 本稿では,SwapNet,FaceNet,IDAdapterを組み合わせた拡散モデルアーキテクチャを提案する。 DreamIDは、アイデンティティの類似性、ポーズと表現の保存、イメージの忠実性の観点から、最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-04-20T06:53:00Z)
• EmojiDiff: Advanced Facial Expression Control with High Identity Preservation in Portrait Generation [8.314556078632412]
  ポートレート生成における極めて詳細な表現(RGBレベル)と高忠実度IDの同時制御を可能にする,最初のエンドツーエンドソリューションであるEmojiDiffを紹介する。 分離学習では、ID非関連データイテレーション(IDI)を改良し、相互同一性表現ペアを合成する。 また,さらに微調整を行うために,ID強化コントラストアライメント(ICA)を提案する。
  論文  参考訳（メタデータ） (2024-12-02T08:24:11Z)
• 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)
• Synthesizing Efficient Data with Diffusion Models for Person Re-Identification Pre-Training [51.87027943520492]
  本稿では,既知の同一性に基づく多様な画像の効率向上と生成を行う新しいパラダイムDiffusion-ReIDを提案する。 提案したパラダイムに適合して,まず,5,183個のIDから777K以上の画像で構成された,大規模なRe-IDデータセットDiff-Personを新たに作成する。
  論文  参考訳（メタデータ） (2024-06-10T06:26:03Z)
• ID-Aligner: Enhancing Identity-Preserving Text-to-Image Generation with Reward Feedback Learning [57.91881829308395]
  AIポートレートや広告といった幅広いアプリケーションシナリオのために、ID-T2I(ID-preserving text-to-image generation)が注目されている。 我々は,ID-T2I性能を向上させるための一般的なフィードバック学習フレームワークである textbfID-Aligner を提案する。
  論文  参考訳（メタデータ） (2024-04-23T18:41:56Z)
• Beyond Inserting: Learning Identity Embedding for Semantic-Fidelity Personalized Diffusion Generation [21.739328335601716]
  本稿では,パーソナライズされた生成のための安定拡散モデルに,正確でインタラクティブなIDを挿入することに焦点を当てる。 顔のレイアウトや背景などのIDに依存しない情報を絡み合わせるのではなく、顔領域にフィットする顔の注意損失を提案する。 その結果,従来の手法と比較して,IDの精度,テキストベースの操作能力,一般化性が向上した。
  論文  参考訳（メタデータ） (2024-01-31T11:52:33Z)
• Cross-Resolution Adversarial Dual Network for Person Re-Identification and Beyond [59.149653740463435]
  人物再識別(re-ID)は、同一人物の画像をカメラビューでマッチングすることを目的としている。 カメラと関心のある人の距離が異なるため、解像度ミスマッチが期待できる。 本稿では,クロスレゾリューションな人物のリIDに対処する新たな生成的対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T07:21:38Z)

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。