論文の概要: AgeBooth: Controllable Facial Aging and Rejuvenation via Diffusion Models

• arxiv url: http://arxiv.org/abs/2510.05715v1
• Date: Tue, 07 Oct 2025 09:25:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.183208
• Title: AgeBooth: Controllable Facial Aging and Rejuvenation via Diffusion Models
• Title（参考訳）: AgeBooth: 拡散モデルによる制御可能な顔の加齢と回復
• Authors: Shihao Zhu, Bohan Cao, Ziheng Ouyang, Zhen Li, Peng-Tao Jiang, Qibin Hou,
• Abstract要約: AgeBoothは、単一の参照画像から異なる年齢でアイデンティティ一貫性のある顔画像を生成する。 実験の結果,AgeBoothは従来の最先端の編集手法と比較して,年齢制御と視覚的品質が優れていることがわかった。
• 参考スコア（独自算出の注目度）: 39.98150173094697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent diffusion model research focuses on generating identity-consistent images from a reference photo, but they struggle to accurately control age while preserving identity, and fine-tuning such models often requires costly paired images across ages. In this paper, we propose AgeBooth, a novel age-specific finetuning approach that can effectively enhance the age control capability of adapterbased identity personalization models without the need for expensive age-varied datasets. To reduce dependence on a large amount of age-labeled data, we exploit the linear nature of aging by introducing age-conditioned prompt blending and an age-specific LoRA fusion strategy that leverages SVDMix, a matrix fusion technique. These techniques enable high-quality generation of intermediate-age portraits. Our AgeBooth produces realistic and identity-consistent face images across different ages from a single reference image. Experiments show that AgeBooth achieves superior age control and visual quality compared to previous state-of-the-art editing-based methods.
• Abstract（参考訳）: 近年の拡散モデル研究は、参照写真からアイデンティティ一貫性のある画像を生成することに重点を置いているが、アイデンティティを保ちながら年齢を正確に制御することは困難であり、そのようなモデルを微調整するには、年齢をまたいでコストのかかるペア画像が必要となることが多い。 本稿では,エイジボス(AgeBooth)を提案する。エイジボス(AgeBooth)は,エイジボス(AgeBooth)と呼ばれる,エイジボス(AgeBooth)と呼ばれる,エイジボス(AgeBooth)と呼ばれる,エイジボス(AgeBooth)と呼ばれる,エイジボス(AgeBooth)と呼ばれる,エイジブース(AgeBooth)と呼ばれる,エイジブース(AageBooth)と呼ばれる,エイジブース(AageBooth)と呼ばれる,エイジブース(AageBooth)と呼ばれる,エイジブース(AageBooth)の個人化モデルの年齢制御能力を効果的に向上する手法を提案する。 年齢ラベルデータへの依存を低減するため,年齢条件付プロンプトブレンディングと,行列融合技術であるSVDMixを利用する年齢固有のLoRA融合戦略を導入することにより,年齢の線形性を生かした。 これらの技術は、高品質な中間像の生成を可能にする。 我々のAgeBoothは、単一の参照画像から異なる年齢で現実的でアイデンティティに一貫性のある顔画像を生成する。 実験の結果,AgeBoothは従来の最先端の編集手法と比較して,年齢制御と視覚的品質が優れていることがわかった。

関連論文リスト

• TimeMachine: Fine-Grained Facial Age Editing with Identity Preservation [32.37738036961405]
  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。
  論文  参考訳（メタデータ） (2025-08-15T07:46:37Z)
• DiffAge3D: Diffusion-based 3D-aware Face Aging [61.3027596093854]
  本稿では,DiffAge3Dを提案する。DiffAge3Dは3D設定で忠実な老化とアイデンティティ保存を行う最初の3D対応高齢化フレームワークである。 我々のフレームワークは、トレーニング済みの3D GANを利用して、堅牢な3D対応老化データセット生成パイプラインを含む。 DiffAge3Dは既存の手法、特にマルチビューの老朽化や細部保存において優れることを示す。
  論文  参考訳（メタデータ） (2024-08-28T16:36:09Z)
• PortraitBooth: A Versatile Portrait Model for Fast Identity-preserved Personalization [92.90392834835751]
  PortraitBoothは高効率、堅牢なID保存、表現編集可能な画像生成のために設計されている。 PortraitBoothは計算オーバーヘッドを排除し、アイデンティティの歪みを軽減する。 生成した画像の多様な表情に対する感情認識のクロスアテンション制御が組み込まれている。
  論文  参考訳（メタデータ） (2023-12-11T13:03:29Z)
• 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)
• Pluralistic Aging Diffusion Autoencoder [63.50599304294062]
  顔の老化は、複数のプラプシブルな老化パターンが与えられた入力に対応する可能性があるため、不適切な問題である。 本稿では,CLIP駆動型多言語時効拡散オートエンコーダを提案する。
  論文  参考訳（メタデータ） (2023-03-20T13:20:14Z)
• Continuous Face Aging via Self-estimated Residual Age Embedding [8.443742714362521]
  本稿では,線形年齢推定器をGANモデルに組み込む統一ネットワーク構造を提案する。 埋め込み年齢推定器は、エンコーダおよびデコーダとの共同訓練を行い、顔画像の年齢を推定する。 パーソナライズされた目標年齢埋め込みは、現在の年齢のパーソナライズされた残存年齢埋め込みと、目標年齢の老化ベースの両方を組み込んで合成される。
  論文  参考訳（メタデータ） (2021-04-30T18:06:17Z)
• PFA-GAN: Progressive Face Aging with Generative Adversarial Network [19.45760984401544]
  本論文では,PFA-GANを基盤とした新しい顔老化フレームワークを提案する。 このフレームワークは、蓄積されたアーティファクトと曖昧さを取り除くために、エンドツーエンドでトレーニングすることができる。 実験により,既存の (c) GANs 法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-12-07T05:45:13Z)
• 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)

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。