論文の概要: TimeMachine: Fine-Grained Facial Age Editing with Identity Preservation
- arxiv url: http://arxiv.org/abs/2508.11284v2
- Date: Mon, 18 Aug 2025 03:05:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 12:43:44.927482
- Title: TimeMachine: Fine-Grained Facial Age Editing with Identity Preservation
- Title（参考訳）: TimeMachine: アイデンティティを保存した顔の年齢の微粒化
- Authors: Yilin Mi, Qixin Yan, Zheng-Peng Duan, Chunle Guo, Hubery Yin, Hao Liu, Chen Li, Chongyi Li,
- Abstract要約: TimeMachineは、新しい拡散ベースのフレームワークで、アイデンティティ機能を維持しながら正確な年齢編集を実現する。
微細な年齢編集を可能にするため,高精度な年齢情報をマルチクロスアテンションモジュールに分割する。
年齢誘導モジュールは、トレーニング中に聴覚再建を行う代わりに、潜伏空間の年齢を直接予測する。
我々は、アイデンティティと顔属性をラベル付けした100万の高解像度画像を含むHFFAデータセットを構築した。
- 参考スコア（独自算出の注目度）: 32.37738036961405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the advancement of generative models, facial image editing has made significant progress. However, achieving fine-grained age editing while preserving personal identity remains a challenging task. In this paper, we propose TimeMachine, a novel diffusion-based framework that achieves accurate age editing while keeping identity features unchanged. To enable fine-grained age editing, we inject high-precision age information into the multi-cross attention module, which explicitly separates age-related and identity-related features. This design facilitates more accurate disentanglement of age attributes, thereby allowing precise and controllable manipulation of facial aging. Furthermore, we propose an Age Classifier Guidance (ACG) module that predicts age directly in the latent space, instead of performing denoising image reconstruction during training. By employing a lightweight module to incorporate age constraints, this design enhances age editing accuracy by modest increasing training cost. Additionally, to address the lack of large-scale, high-quality facial age datasets, we construct a HFFA dataset (High-quality Fine-grained Facial-Age dataset) which contains one million high-resolution images labeled with identity and facial attributes. Experimental results demonstrate that TimeMachine achieves state-of-the-art performance in fine-grained age editing while preserving identity consistency.
- Abstract（参考訳）: 生成モデルの進歩により、顔画像編集は大きな進歩を遂げた。
しかし、個人のアイデンティティを保ちながら、きめ細かい年齢編集を実現することは、依然として困難な課題である。
本稿では,個人性を維持しつつ,正確な年齢編集を実現する新しい拡散型フレームワークであるTimeMachineを提案する。
細粒度な年齢編集を可能にするため、年齢関連特徴とアイデンティティ関連特徴を明確に分離するマルチクロスアテンションモジュールに高精度な年齢情報を注入する。
この設計により、年齢特性のより正確な切り離しが容易となり、顔の老化の正確かつ制御可能な操作が可能となる。
さらに、トレーニング中に画像再構成を行う代わりに、潜伏空間の年齢を直接予測する年齢分類ガイダンス(ACG)モジュールを提案する。
年齢制約を組み込む軽量モジュールを用いることで、トレーニングコストを緩やかに増加させることで、年齢編集精度を向上させることができる。
さらに、大規模で高品質な顔年齢データセットの欠如に対処するため、アイデンティティと顔属性をラベル付けした100万の高解像度画像を含むHFFAデータセット(高品質のファシアル・エイジデータセット)を構築した。
実験結果から,TimeMachineは識別整合性を保ちながら,微細な年代編集において最先端の性能を発揮することが示された。
関連論文リスト
- From Cradle to Cane: A Two-Pass Framework for High-Fidelity Lifespan Face Aging [13.362332443568562]
数ステップのテキスト・ツー・イメージ(T2I)拡散モデルに基づく2パスの顔エイジングフレームワークであるCradle2Caneを提案する。
第1のパスは、アダプティブノイズインジェクション(AdaNI)機構を導入することで、年齢の精度を改善することに焦点を当てている。
第2のパスは、2つのアイデンティティを意識した埋め込みにモデルを条件付けすることで、年齢固有の特徴を維持しながらアイデンティティの保存を向上させる。
論文 参考訳（メタデータ） (2025-06-26T03:48:28Z) - PersonaMagic: Stage-Regulated High-Fidelity Face Customization with Tandem Equilibrium [55.72249032433108]
PersonaMagicは、高忠実な顔のカスタマイズのために設計された、ステージ制御された生成技術である。
本手法は,顔の概念を捉えるために,特定の時間間隔内に一連の埋め込みを学習する。
定性評価と定量的評価の両方において、ペルソナマジックが最先端の手法よりも優れていることを確認する。
論文 参考訳（メタデータ） (2024-12-20T08:41:25Z) - IdenBAT: Disentangled Representation Learning for Identity-Preserved Brain Age Transformation [9.23090816270662]
脳年齢変換は、対象年齢群の年齢固有の特徴を正確に反映した、参照脳画像を合成画像に変換することを目的としている。
IdenBATと呼ばれるアイデンティティ保存型脳年齢変換に不整合表現学習を用いた新しいアーキテクチャを提案する。
本手法は,個々の特徴を正確に保持しながら,入力画像を目標年齢に適応的に変換する。
論文 参考訳（メタデータ） (2024-10-22T12:20:15Z) - Mitigating the Impact of Attribute Editing on Face Recognition [14.138965856511387]
現代の生成型AIモデルを用いた顔属性の編集は、顔認識システムを著しく劣化させる可能性があることを示す。
局所的およびグローバルな属性編集のための2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2024-03-12T22:03:19Z) - 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) - DreamIdentity: Improved Editability for Efficient Face-identity
Preserved Image Generation [69.16517915592063]
人間の顔の正確な表現を学習するための新しい顔識別エンコーダを提案する。
また、モデルの編集可能性を高めるために、自己拡張編集可能性学習を提案する。
我々の手法は、異なるシーン下でより高速にアイデンティティ保存された画像を生成することができる。
論文 参考訳（メタデータ） (2023-07-01T11:01:17Z) - DisenBooth: Identity-Preserving Disentangled Tuning for Subject-Driven
Text-to-Image Generation [50.39533637201273]
主観駆動型テキスト・ツー・イメージ生成のためのID保存型アンタングル型チューニングフレームワークであるDisenBoothを提案する。
DisenBoothは、ID保存の埋め込みとアイデンティティ関連の埋め込みを組み合わせることで、より世代的柔軟性と制御性を示す。
論文 参考訳（メタデータ） (2023-05-05T09:08:25Z) - 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) - 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) - High Resolution Face Age Editing [5.809784853115826]
敵の訓練は 画像操作において 最も視覚的に印象的な結果を生み出しました
顔年齢編集のためのエンコーダデコーダアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-05-09T09:59:51Z)
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。