論文の概要: QCFace: Image Quality Control for boosting Face Representation & Recognition

• arxiv url: http://arxiv.org/abs/2510.15289v1
• Date: Fri, 17 Oct 2025 04:00:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.464048
• Title: QCFace: Image Quality Control for boosting Face Representation & Recognition
• Title（参考訳）: QCFace: 顔表現と認識の促進のための画像品質制御
• Authors: Duc-Phuong Doan-Ngo, Thanh-Dang Diep, Thanh Nguyen-Duc, Thanh-Sach LE, Nam Thoai,
• Abstract要約: 本稿では,相互重なり合う問題を克服し,識別可能性と識別性との明確な分離を可能にするQCFaceを紹介する。 QCFaceは、既存の認識可能性に基づく損失と比較して、検証と識別のベンチマークで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 0.1826848871278733
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recognizability, a key perceptual factor in human face processing, strongly affects the performance of face recognition (FR) systems in both verification and identification tasks. Effectively using recognizability to enhance feature representation remains challenging. In deep FR, the loss function plays a crucial role in shaping how features are embedded. However, current methods have two main drawbacks: (i) recognizability is only partially captured through soft margin constraints, resulting in weaker quality representation and lower discrimination, especially for low-quality or ambiguous faces; (ii) mutual overlapping gradients between feature direction and magnitude introduce undesirable interactions during optimization, causing instability and confusion in hypersphere planning, which may result in poor generalization, and entangled representations where recognizability and identity are not cleanly separated. To address these issues, we introduce a hard margin strategy - Quality Control Face (QCFace), which overcomes the mutual overlapping gradient problem and enables the clear decoupling of recognizability from identity representation. Based on this strategy, a novel hard-margin-based loss function employs a guidance factor for hypersphere planning, simultaneously optimizing for recognition ability and explicit recognizability representation. Extensive experiments confirm that QCFace not only provides robust and quantifiable recognizability encoding but also achieves state-of-the-art performance in both verification and identification benchmarks compared to existing recognizability-based losses.
• Abstract（参考訳）: 人間の顔処理における重要な知覚因子である認識能力は、認証タスクと識別タスクの両方において、顔認識(FR)システムの性能に強く影響を及ぼす。 機能表現を効果的に活用することは、依然として困難である。 深いFRでは、機能がどのように埋め込まれているかを形成する上で、損失関数が重要な役割を果たす。 しかし、現在の手法には2つの欠点がある。 (i)認識性は、ソフトマージンの制約によってのみ部分的に把握され、特に低品質または曖昧な顔に対して、品質表現の弱さと差別の低さをもたらす。 二 特徴方向と大きさの相互重なり合う勾配は、最適化中に望ましくない相互作用を導入し、超球計画の不安定さと混乱を引き起こし、一般化が貧弱になり、認識可能性とアイデンティティがきれいに分離されないような絡み合った表現をもたらす。 これらの問題に対処するため、我々は相互に重複する勾配問題を克服し、識別可能性と識別性との明確な分離を可能にするハードマージン戦略であるQCFace(Quality Control Face)を導入する。 この戦略に基づいて、新しいハードマージンベースの損失関数は、ハイパースフィア計画のためのガイダンス因子を使用し、認識能力と明示的な認識可能性表現を同時に最適化する。 大規模な実験により、QCFaceはロバストで定量化された認識可能性の符号化を提供するだけでなく、既存の認識可能性に基づく損失と比較して、検証と識別のベンチマークにおいて最先端のパフォーマンスを達成することが確認された。

関連論文リスト

• TransFIRA: Transfer Learning for Face Image Recognizability Assessment [73.61309363885552]
  TransFIRAは軽量でアノテーションのないフレームワークで、埋め込みスペースで直接認識できる。 顔以外の新しい拡張には、エンコーダで座屈した説明可能性があり、これは、劣化と被写体固有の要因が認識可能性にどのように影響するかを示す。 実験では、顔に対する最先端の結果、身体認識に対する強い堅牢性、およびデータセット間のシフトの下で確認された。
  論文  参考訳（メタデータ） (2025-10-07T18:16:21Z)
• One-stage Low-resolution Text Recognition with High-resolution Knowledge Transfer [53.02254290682613]
  現在の低解像度テキスト認識のソリューションは、通常2段階のパイプラインに依存している。 本稿では,多段階の知識伝達を実現するための効率的かつ効果的な知識蒸留フレームワークを提案する。 実験の結果、提案されたワンステージパイプラインは、超高解像度ベースの2ステージフレームワークよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2023-08-05T02:33:45Z)
• Recognizability Embedding Enhancement for Very Low-Resolution Face Recognition and Quality Estimation [21.423956631978186]
  本研究では,視覚的品質ではなく,埋め込み空間における顔の認識性を高めるための原則的アプローチについて検討する。 まず、頑健な学習に基づく顔認識度尺度、すなわち認識可能性指標(RI)を定式化する。 次に、認識不能な顔クラスタから低RIで埋め込んだ難認識顔を、認識不能な顔クラスタから切り離して、認識可能性の向上を反映した指標変換損失を考案する。
  論文  参考訳（メタデータ） (2023-04-20T03:18:03Z)
• TransFA: Transformer-based Representation for Face Attribute Evaluation [87.09529826340304]
  我々はtextbfTransFA を用いたtextbfattribute 評価のための新しい textbf Transformer 表現を提案する。 提案するTransFAは,最先端手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-12T10:58:06Z)
• QMagFace: Simple and Accurate Quality-Aware Face Recognition [5.5284501467256515]
  本稿では,QMag-Face(QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face)を提案する。 いくつかの顔認識データベースとベンチマークで実施された実験は、導入された品質認識が認識性能を一貫した改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-11-26T12:44:54Z)
• Harnessing Unrecognizable Faces for Face Recognition [87.80037162457427]
  本稿では,顔画像の認識可能性の尺度を提案し,主に認識可能なアイデンティティを用いて訓練されたディープニューラルネットワークによって実現された。 FAR=1e-5において,認識可能性を考慮した場合,単画像認識の誤り率を58%減少させることを示す。
  論文  参考訳（メタデータ） (2021-06-08T05:25:03Z)
• Hierarchical Deep CNN Feature Set-Based Representation Learning for Robust Cross-Resolution Face Recognition [59.29808528182607]
  クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。 既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。 本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
  論文  参考訳（メタデータ） (2021-03-25T14:03:42Z)
• Disentanglement for Discriminative Visual Recognition [7.954325638519141]
  この章では、有害な要因を、タスク関連/非関連なセマンティックなバリエーションと、特定されていない潜伏的なバリエーションとして体系的に要約する。 統合された2つの完全に接続されたレイヤブランチフレームワークにおいて、ディープメトリックロスとソフトマックスロスを組み合わせることで、より優れたFER性能を実現することができる。 このフレームワークは、照明、化粧、変装耐性顔認証、顔属性認識など、一連のタスクにおいて最高のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-06-14T06:10:51Z)
• Dual-Attention GAN for Large-Pose Face Frontalization [59.689836951934694]
  本稿では,フォトリアリスティック顔フロンダル化のためのDA-GAN(Dual-Attention Generative Adversarial Network)を提案する。 具体的には、ローカル機能と長距離依存関係を統合するために、自己アテンションベースのジェネレータが導入された。 顔領域の局所的特徴を強調するために,新しい顔認識に基づく識別器を適用した。
  論文  参考訳（メタデータ） (2020-02-17T20:00:56Z)

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。