論文の概要: ArtFace: Towards Historical Portrait Face Identification via Model Adaptation

• arxiv url: http://arxiv.org/abs/2508.20626v1
• Date: Thu, 28 Aug 2025 10:19:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.334105
• Title: ArtFace: Towards Historical Portrait Face Identification via Model Adaptation
• Title（参考訳）: ArtFace: モデル適応による歴史的ポートレート顔識別を目指して
• Authors: Francois Poh, Anjith George, Sébastien Marcel,
• Abstract要約: 歴史画におけるシッターの特定は、美術史家にとって重要な課題である。 伝統的な顔認識モデルは、ドメインシフトと高いクラス内変動のために絵画に苦しむ。 本研究では,美術品における顔認識向上のための基礎モデルの可能性について検討する。
• 参考スコア（独自算出の注目度）: 32.404692605896024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying sitters in historical paintings is a key task for art historians, offering insight into their lives and how they chose to be seen. However, the process is often subjective and limited by the lack of data and stylistic variations. Automated facial recognition is capable of handling challenging conditions and can assist, but while traditional facial recognition models perform well on photographs, they struggle with paintings due to domain shift and high intra-class variation. Artistic factors such as style, skill, intent, and influence from other works further complicate recognition. In this work, we investigate the potential of foundation models to improve facial recognition in artworks. By fine-tuning foundation models and integrating their embeddings with those from conventional facial recognition networks, we demonstrate notable improvements over current state-of-the-art methods. Our results show that foundation models can bridge the gap where traditional methods are ineffective. Paper page at https://www.idiap.ch/paper/artface/
• Abstract（参考訳）: 歴史画におけるシッターの特定は、美術史家にとって重要な課題であり、彼らの生活と彼らがどのように見えるかについての洞察を提供する。 しかし、このプロセスはしばしば主観的であり、データやスタイルのバリエーションの欠如によって制限される。 自動顔認識は困難な状況に対処でき、支援もできるが、従来の顔認識モデルは写真ではうまく機能するが、ドメインシフトと高いクラス内変動のために絵に苦しむ。 スタイル、スキル、意図、他の作品の影響などの芸術的要因は、認識をさらに複雑にしている。 本研究では,美術品における顔認識向上のための基礎モデルの可能性について検討する。 基礎モデルを微調整し,それらの埋め込みを従来の顔認識ネットワークと統合することにより,現在の最先端手法よりも顕著な改善が示された。 この結果から,従来の手法が有効でないギャップを基礎モデルが埋める可能性が示唆された。 Paper page at https://www.idiap.ch/paper/artface/

関連論文リスト

• OSDFace: One-Step Diffusion Model for Face Restoration [72.5045389847792]
  拡散モデルは、顔の修復において顕著な性能を示した。 顔復元のための新しいワンステップ拡散モデルOSDFaceを提案する。 その結果,OSDFaceは現状のSOTA(State-of-the-art)手法を視覚的品質と定量的指標の両方で上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-26T07:07:48Z)
• Face Anonymization Made Simple [44.24233169815565]
  現在の顔の匿名化技術は、しばしば、不正確で信頼性の低い顔認識モデルによって計算されたアイデンティティ損失に依存する。 対照的に,本手法では再建損失のみを伴う拡散モデルを用いて,顔のランドマークやマスクの必要性を排除している。 本モデルは,アイデンティティの匿名化,顔の保存,画質の3つの重要な領域において,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-11-01T17:45:21Z)
• FitDiff: Robust monocular 3D facial shape and reflectance estimation using Diffusion Models [79.65289816077629]
  拡散型3次元顔アバター生成モデルFitDiffを提案する。 本モデルでは,「近距離」2次元顔画像から抽出したアイデンティティ埋め込みを利用して,再現性のある顔アバターを高精度に生成する。 FitDiffは、顔認識の埋め込みを前提とした最初の3D LDMであり、一般的なレンダリングエンジンで使用可能な、ライティング可能な人間のアバターを再構築する。
  論文  参考訳（メタデータ） (2023-12-07T17:35:49Z)
• Effective Adapter for Face Recognition in the Wild [72.75516495170199]
  私たちは、画像が低品質で現実世界の歪みに悩まされる、野生の顔認識の課題に取り組みます。 従来のアプローチでは、劣化した画像や、顔の復元技術を使って強化された画像を直接訓練するが、効果がないことが証明された。 高品質な顔データセットで訓練された既存の顔認識モデルを強化するための効果的なアダプタを提案する。
  論文  参考訳（メタデータ） (2023-12-04T08:55:46Z)
• Enhancing the Authenticity of Rendered Portraits with Identity-Consistent Transfer Learning [30.64677966402945]
  本稿では,「不気味な谷」効果を効果的に緩和できる写真リアルな肖像画生成フレームワークを提案する。 私たちのキーとなる考え方は、トランスファーラーニングを使って、レンダリングされた肖像画の潜在空間から実際の肖像画へのアイデンティティ一貫性のあるマッピングを学ぶことです。
  論文  参考訳（メタデータ） (2023-10-06T12:20:40Z)
• A survey on facial image deblurring [3.6775758132528877]
  顔画像がぼやけていると、顔認識などのハイレベルな視覚タスクに大きな影響を与えます。 本稿では,最近発表された顔画像の難読化手法について概説し,その大部分はディープラーニングに基づくものである。 本稿では,データセットとメトリクスにおける古典的手法の性能を示すとともに,モデルに基づく手法と学習に基づく手法の違いについて,簡単な議論を行う。
  論文  参考訳（メタデータ） (2023-02-10T02:24:56Z)
• Quality Metric Guided Portrait Line Drawing Generation from Unpaired Training Data [88.78171717494688]
  本研究では,顔画像から肖像画への自動変換手法を提案する。 本手法は,(1)1つのネットワークを用いて複数のスタイルで高品質な肖像画を生成することを学習し,(2)トレーニングデータに見つからない「新しいスタイル」の肖像画を生成する。
  論文  参考訳（メタデータ） (2022-02-08T06:49:57Z)
• SynFace: Face Recognition with Synthetic Data [83.15838126703719]
  我々は、ID混在(IM)とドメイン混在(DM)を併用したSynFaceを考案し、パフォーマンスギャップを緩和する。 また、合成顔画像の系統的実験分析を行い、合成データを顔認識に効果的に活用する方法についての知見を提供する。
  論文  参考訳（メタデータ） (2021-08-18T03:41:54Z)
• Impact of Facial Tattoos and Paintings on Face Recognition Systems [14.784088881975897]
  顔の入れ墨や絵画が現在の顔認識システムに与える影響を調査します。 これらのモジュールに対する影響は、最先端のオープンソースおよび商用システムを用いて評価された。 私たちの研究は最初のケーススタディであり、顔のタトゥーや絵画によって引き起こされる視覚変化にロバストなアルゴリズムを設計する必要性を示しています。
  論文  参考訳（メタデータ） (2021-03-17T22:38:13Z)

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。