論文の概要: CodeFormer++: Blind Face Restoration Using Deformable Registration and Deep Metric Learning

• arxiv url: http://arxiv.org/abs/2510.04410v1
• Date: Mon, 06 Oct 2025 00:53:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.636513
• Title: CodeFormer++: Blind Face Restoration Using Deformable Registration and Deep Metric Learning
• Title（参考訳）: CodeFormer++: 変形可能な登録とDeep Metric Learningによるブラインド顔復元
• Authors: Venkata Bharath Reddy Reddem, Akshay P Sarashetti, Ranjith Merugu, Amit Satish Unde,
• Abstract要約: CodeFormer++は、アイデンティティを保ちながら、高品質な顔復元のための生成前駆体の有用性を最大化する、新しいフレームワークである。 筆者らは,(1) 生成顔と復元顔とを意味的に整合させる学習型変形可能な顔登録モジュール,(2) 生成顔のテクスチャを動的に抽出し,保存した顔の質を高めるためのテクスチャガイド付き復元ネットワーク,(3) 情報的正負のサンプルとBFRの深部メートル法学習の統合により,識別・保存・生成機能の融合を図る。
• 参考スコア（独自算出の注目度）: 1.1666234644810893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Blind face restoration (BFR) has attracted increasing attention with the rise of generative methods. Most existing approaches integrate generative priors into the restoration pro- cess, aiming to jointly address facial detail generation and identity preservation. However, these methods often suffer from a trade-off between visual quality and identity fidelity, leading to either identity distortion or suboptimal degradation removal. In this paper, we present CodeFormer++, a novel framework that maximizes the utility of generative priors for high-quality face restoration while preserving identity. We decompose BFR into three sub-tasks: (i) identity- preserving face restoration, (ii) high-quality face generation, and (iii) dynamic fusion of identity features with realistic texture details. Our method makes three key contributions: (1) a learning-based deformable face registration module that semantically aligns generated and restored faces; (2) a texture guided restoration network to dynamically extract and transfer the texture of generated face to boost the quality of identity-preserving restored face; and (3) the integration of deep metric learning for BFR with the generation of informative positive and hard negative samples to better fuse identity- preserving and generative features. Extensive experiments on real-world and synthetic datasets demonstrate that, the pro- posed CodeFormer++ achieves superior performance in terms of both visual fidelity and identity consistency.
• Abstract（参考訳）: ブラインドフェース修復(BFR)は、生成的手法の台頭とともに注目を集めている。 既存のほとんどのアプローチは、顔の細部の生成とアイデンティティの保存を共同で解決することを目的として、生成前の前駆体を修復前駆体に統合する。 しかしながら、これらの手法は、視覚的品質とアイデンティティの忠実さのトレードオフに悩まされ、アイデンティティの歪みまたは最適下劣化の除去につながることが多い。 本稿では,アイデンティティを保ちながら,高品質な顔復元のための生成前処理を最大限に活用する,新しいフレームワークであるCodeFormer++を提案する。 BFRを3つのサブタスクに分解する。 一 身元-顔の復元 (二)高品質な顔生成、及び 三 現実的なテクスチャの詳細とアイデンティティの特徴を動的に融合すること。 筆者らは,(1) 生成顔と復元顔とを意味的に整合させる学習型変形可能な顔登録モジュール,(2) 生成顔のテクスチャを動的に抽出し,保存した顔の質を高めるためのテクスチャガイド付き復元ネットワーク,(3) 情報的正負のサンプルとBFRの深部メートル法学習の統合により,識別・保存・生成機能の融合を図る。 実世界のデータセットと合成データセットに関する大規模な実験により、プロポーズされたCodeFormer++は、視覚的忠実度とアイデンティティの整合性の両方において、優れたパフォーマンスを実現していることが示された。

関連論文リスト

• Robust ID-Specific Face Restoration via Alignment Learning [14.7430941613282]
  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)
• Reference-Guided Identity Preserving Face Restoration [54.10295747851343]
  顔のアイデンティティを保存することは、拡散に基づく画像復元において重要な課題である。 本稿では,顔の復元とアイデンティティの保存を改善するために,参照顔の有用性を最大化するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-28T02:46:34Z)
• HonestFace: Towards Honest Face Restoration with One-Step Diffusion Model [36.36629793211904]
  HonestFaceは、このような誠実さを強く強調して顔を復元する新しいアプローチである。 きめ細かな細部とテクスチャの信頼性を高めるためにマスク面アライメント法を提案する。 我々の手法は既存の最先端手法を超越し、視覚的品質と定量的評価の両方において優れた性能を実現している。
  論文  参考訳（メタデータ） (2025-05-24T02:19:20Z)
• DiffusionReward: Enhancing Blind Face Restoration through Reward Feedback Learning [40.641049729447175]
  DiffusionRewardという名前のReFLフレームワークをBlind Face Restorationタスクに初めて導入する。 私たちのフレームワークの中核はFace Reward Model(FRM)です。 合成およびワイルドデータセットの実験により,本手法が最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-23T13:53:23Z)
• 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)
• 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)
• G2Face: High-Fidelity Reversible Face Anonymization via Generative and Geometric Priors [71.69161292330504]
  可逆顔匿名化(Reversible face anonymization)は、顔画像の繊細なアイデンティティ情報を、合成された代替品に置き換えようとしている。 本稿では,Gtextsuperscript2Faceを提案する。 提案手法は,高データの有効性を保ちながら,顔の匿名化と回復において既存の最先端技術よりも優れる。
  論文  参考訳（メタデータ） (2024-08-18T12:36:47Z)

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。