論文の概要: FROQ: Observing Face Recognition Models for Efficient Quality Assessment

• arxiv url: http://arxiv.org/abs/2509.17689v1
• Date: Mon, 22 Sep 2025 12:29:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.374239
• Title: FROQ: Observing Face Recognition Models for Efficient Quality Assessment
• Title（参考訳）: FROQ: 効率的な品質評価のための顔認識モデル
• Authors: Žiga Babnik, Deepak Kumar Jain, Peter Peer, Vitomir Štruc,
• Abstract要約: 顔認識(FR)は多くの重要な(高い)応用において重要な役割を担っている。 最先端のFIQA技術の多くは、正確な品質推定を達成するために広範囲の教師付きトレーニングに依存している。 本稿では、顔画像の品質を半教師あり、トレーニングなしのアプローチであるFROQを紹介する。
• 参考スコア（独自算出の注目度）: 5.154970335677459
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Face Recognition (FR) plays a crucial role in many critical (high-stakes) applications, where errors in the recognition process can lead to serious consequences. Face Image Quality Assessment (FIQA) techniques enhance FR systems by providing quality estimates of face samples, enabling the systems to discard samples that are unsuitable for reliable recognition or lead to low-confidence recognition decisions. Most state-of-the-art FIQA techniques rely on extensive supervised training to achieve accurate quality estimation. In contrast, unsupervised techniques eliminate the need for additional training but tend to be slower and typically exhibit lower performance. In this paper, we introduce FROQ (Face Recognition Observer of Quality), a semi-supervised, training-free approach that leverages specific intermediate representations within a given FR model to estimate face-image quality, and combines the efficiency of supervised FIQA models with the training-free approach of unsupervised methods. A simple calibration step based on pseudo-quality labels allows FROQ to uncover specific representations, useful for quality assessment, in any modern FR model. To generate these pseudo-labels, we propose a novel unsupervised FIQA technique based on sample perturbations. Comprehensive experiments with four state-of-the-art FR models and eight benchmark datasets show that FROQ leads to highly competitive results compared to the state-of-the-art, achieving both strong performance and efficient runtime, without requiring explicit training.
• Abstract（参考訳）: 顔認識(FR)は多くの重要な(高い)アプリケーションにおいて重要な役割を果たす。 顔画像品質評価(FIQA)技術は、顔サンプルの品質推定を提供することでFRシステムを強化する。 最先端のFIQA技術の多くは、正確な品質推定を達成するために広範囲の教師付きトレーニングに依存している。 対照的に、教師なしのテクニックは追加のトレーニングの必要性を排除しますが、遅くなり、通常より低いパフォーマンスを示す傾向があります。 本稿では,FROQ(Face Recognition Observer of Quality)を提案する。FROQ(Face Recognition Observer of Quality)は,あるFRモデル内の特定の中間表現を利用して顔画像の品質を推定し,教師なし手法のトレーニング自由アプローチと組み合わせた,半教師なしの訓練自由アプローチである。 擬似品質ラベルに基づく単純なキャリブレーションのステップにより、FROQは任意の現代のFRモデルにおいて、品質評価に有用な特定の表現を明らかにすることができる。 擬似ラベルを生成するために,サンプル摂動に基づく新しい教師なしFIQA手法を提案する。 4つの最先端FRモデルと8つのベンチマークデータセットによる総合的な実験により、FROQは最先端のモデルと比較して高い競争力を示し、明示的なトレーニングを必要とせず、強力なパフォーマンスと効率的なランタイムの両方を達成する。

関連論文リスト

• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [73.6767681305851]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
  画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。 十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。 近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。 本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
  論文  参考訳（メタデータ） (2024-04-23T11:45:32Z)
• GraFIQs: Face Image Quality Assessment Using Gradient Magnitudes [9.170455788675836]
  顔画像品質評価(FIQA)は、顔認識(FR)システムにおける顔画像の有用性を推定する。 本研究では,事前学習したFRモデルの重量変化を検査し,顔画像の品質を評価する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-18T14:07:08Z)
• A Quality Aware Sample-to-Sample Comparison for Face Recognition [13.96448286983864]
  この研究は、サンプルレベルで品質を意識した学習プロセスを分類訓練パラダイム(QAFace)に統合する。 本手法は,トレーニングデータセットの認識可能な低品質サンプルに適応的に注目する。
  論文  参考訳（メタデータ） (2023-06-06T20:28:04Z)
• Optimization-Based Improvement of Face Image Quality Assessment Techniques [5.831942593046074]
  顔画像品質評価(FIQA)技術は、認識プロセスに役立つ入力顔画像からサンプル品質情報を推測しようとする。 本稿では,既存のFIQA技術の性能向上を目的とした品質ラベル最適化手法を提案する。 提案手法を6つの最先端FIQA手法による包括的実験で評価した。
  論文  参考訳（メタデータ） (2023-05-24T08:06:12Z)
• DifFIQA: Face Image Quality Assessment Using Denoising Diffusion Probabilistic Models [1.217503190366097]
  顔画像品質評価(FIQA)技術は、これらの性能劣化を軽減することを目的としている。 拡散確率モデル(DDPM)に基づく強力な新しいFIQA手法DifFIQAを提案する。 拡散に基づく摂動は計算コストが高いため、DifFIQA(R)と呼ばれる回帰ベースの品質予測器にDifFIQAで符号化された知識を蒸留する。
  論文  参考訳（メタデータ） (2023-05-09T21:03:13Z)
• CR-FIQA: Face Image Quality Assessment by Learning Sample Relative Classifiability [2.3624125155742055]
  本稿では,学習過程における内部ネットワーク観測を学習する新しい学習パラダイムを提案する。 提案するCR-FIQAは,このパラダイムを用いて,サンプルの顔画像品質を,その相対的分類可能性の予測により推定する。 本研究では, 最先端(SOTA) FIQAアルゴリズムよりもCR-FIQAの方が優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-13T12:18:43Z)
• Learning Transformer Features for Image Quality Assessment [53.51379676690971]
  本稿では,CNNバックボーンとトランスフォーマーエンコーダを用いて特徴抽出を行うIQAフレームワークを提案する。 提案するフレームワークはFRモードとNRモードの両方と互換性があり、共同トレーニング方式が可能である。
  論文  参考訳（メタデータ） (2021-12-01T13:23:00Z)

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。