論文の概要: SwinIFS: Landmark Guided Swin Transformer For Identity Preserving Face Super Resolution

• arxiv url: http://arxiv.org/abs/2601.01406v1
• Date: Sun, 04 Jan 2026 07:04:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.328527
• Title: SwinIFS: Landmark Guided Swin Transformer For Identity Preserving Face Super Resolution
• Title（参考訳）: SwinIFS:顔の超解像を保存できるランドマーク付きスウィントランス
• Abstract要約: 顔の超解像度は、高画質の低解像度入力から高品質の顔画像を取り戻すことを目的としている。 この研究は、構造的先行と階層的注意機構を統合するランドマーク誘導超解像フレームワークであるSwinIFSを紹介する。 CelebAベンチマークの実験では、SwinIFSはより優れた知覚品質、よりシャープな再構築、アイデンティティ保持の改善を実現している。
• 参考スコア（独自算出の注目度）: 19.466362458578917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Face super-resolution aims to recover high-quality facial images from severely degraded low-resolution inputs, but remains challenging due to the loss of fine structural details and identity-specific features. This work introduces SwinIFS, a landmark-guided super-resolution framework that integrates structural priors with hierarchical attention mechanisms to achieve identity-preserving reconstruction at both moderate and extreme upscaling factors. The method incorporates dense Gaussian heatmaps of key facial landmarks into the input representation, enabling the network to focus on semantically important facial regions from the earliest stages of processing. A compact Swin Transformer backbone is employed to capture long-range contextual information while preserving local geometry, allowing the model to restore subtle facial textures and maintain global structural consistency. Extensive experiments on the CelebA benchmark demonstrate that SwinIFS achieves superior perceptual quality, sharper reconstructions, and improved identity retention; it consistently produces more photorealistic results and exhibits strong performance even under 8x magnification, where most methods fail to recover meaningful structure. SwinIFS also provides an advantageous balance between reconstruction accuracy and computational efficiency, making it suitable for real-world applications in facial enhancement, surveillance, and digital restoration. Our code, model weights, and results are available at https://github.com/Habiba123-stack/SwinIFS.
• Abstract（参考訳）: 顔超解像は、高度に劣化した低解像度入力から高品質な顔画像を取り戻すことを目的としている。 この研究はSwinIFSというランドマーク誘導型超解像フレームワークを導入し、構造的先行と階層的注意機構を統合して、中等度および極度の上向きの要素でアイデンティティ保存の再構築を実現する。 この方法は、キー顔のランドマークの密度の高いガウス熱マップを入力表現に組み込んで、ネットワークが処理の初期段階から意味的に重要な顔領域に集中できるようにする。 コンパクトなスウィントランスフォーマーバックボーンは、局所的な幾何学を保ちながら、長距離のコンテキスト情報をキャプチャするために使用され、微妙な顔のテクスチャを復元し、グローバルな構造的整合性を維持することができる。 CelebAベンチマークの広範な実験により、SwinIFSはより優れた知覚品質、よりシャープな再構築、そしてアイデンティティ保持の改善を実現していることが示された。 SwinIFSはまた、再構築精度と計算効率の利点のバランスも備えており、顔の強化、監視、デジタル修復における現実世界の応用に適している。 私たちのコード、モデルウェイト、結果はhttps://github.com/Habiba123-stack/SwinIFS.comで公開されています。

関連論文リスト

• HDRFace: Rethinking Face Restoration with High-Dimensional Representation [47.1564555410251]
  本稿では, 合成バックボーンを変更することなく, セマンティックにリッチな前処理を条件付きフローに注入する高次元表現条件付き顔復元フレームワークを提案する。 このパイプラインは、まず、オフザシェルフ修復器を用いて構造的に信頼性の高い中間修復を行い、次にトレーニング済みの高次元特徴エンコーダを用いて、低品質入力と中間結果の両方からきめ細かな顔の表現を抽出する。 さらに,構造モデリング時の大域的制約を強調し,詳細合成時の表現指導を強化する構造細部対応型核融合機構であるSDFMを紹介する。
  論文  参考訳（メタデータ） (2026-05-14T13:31:24Z)
• AffectSRNet : Facial Emotion-Aware Super-Resolution Network [5.295131292624206]
  AffectSRNetは表情認識のための新しい感情認識超解像フレームワークである。 本稿では,表現保存損失関数を用いて,画像の解像度と表現精度のギャップを埋める手法を提案する。 AffectSRNetは、視覚的品質と感情の忠実度の両方において、既存のFSRアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-14T06:02:59Z)
• W-Net: A Facial Feature-Guided Face Super-Resolution Network [8.037821981254389]
  Face Super-Resolutionは、高解像度 (HR) の顔画像を低解像度 (LR) の顔画像から復元することを目的としている。 既存手法は, 再建効率が低く, 事前情報の利用が不十分であるため, 理想的ではない。 本稿では,この課題に対処するため,W-Netと呼ばれる新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-06-02T09:05:40Z)
• Face Super-Resolution with Progressive Embedding of Multi-scale Face Priors [4.649637261351803]
  フェース超解像のための新しい再帰畳み込みネットワークベースのフレームワークを提案する。 我々は、繰り返しネットワークの中間出力をフル活用し、ランドマーク情報と顔行動単位(AU)情報を抽出する。 提案手法は,画像の画質と顔の細部復元において,最先端のFSR法よりも優れていた。
  論文  参考訳（メタデータ） (2022-10-12T08:16:52Z)
• Multi-Prior Learning via Neural Architecture Search for Blind Face Restoration [61.27907052910136]
  Blind Face Restoration (BFR)は、高品質な顔画像から高品質な顔画像を復元することを目的としている。 1)手動チューニングを伴わない強力なネットワークアーキテクチャの導出方法,2) 複数の顔前者からの補完情報を1つのネットワークで取得して復元性能を向上させる方法,の2つの大きな課題がある。 特定検索空間内において,適切な特徴抽出アーキテクチャを適応的に探索する顔復元検索ネットワーク(FRSNet)を提案する。
  論文  参考訳（メタデータ） (2022-06-28T12:29:53Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Enhancing Quality of Pose-varied Face Restoration with Local Weak Feature Sensing and GAN Prior [29.17397958948725]
  本稿では,前向きに顔の再生を行うブラインド・フェイス・リカバリ・ネットワークを提案する。 我々のモデルは、顔の復元や顔の超解像処理において、従来の技術よりも優れている。
  論文  参考訳（メタデータ） (2022-05-28T09:23:48Z)
• CTCNet: A CNN-Transformer Cooperation Network for Face Image Super-Resolution [64.06360660979138]
  超解像課題に対する効率的なCNN-Transformer Cooperation Network (CTCNet)を提案する。 本稿ではまず,FSAUとTransformerブロックから構成されるLGCM(Local-Global Feature Cooperation Module)を考案した。 次に、エンコードされた機能を強化するために、効率的な機能リファインメントモジュール(FRM)を設計する。
  論文  参考訳（メタデータ） (2022-04-19T06:38:29Z)
• TANet: A new Paradigm for Global Face Super-resolution via Transformer-CNN Aggregation Network [72.41798177302175]
  本稿では, 顔構造特徴の表現能力を完全に探求する自己認識機構(すなわち Transformer のコア)に基づく新しいパラダイムを提案する。 具体的には、2つの経路からなるTransformer-CNNアグリゲーションネットワーク(TANet)を設計する。 上記の2つの経路から特徴を集約することにより、グローバルな顔の構造の整合性と局所的な顔のディテール復元の忠実度を同時に強化する。
  論文  参考訳（メタデータ） (2021-09-16T18:15:07Z)
• Network Architecture Search for Face Enhancement [82.25775020564654]
  我々は、NASFE(Network Architecture Search for Face Enhancement)と呼ばれるマルチタスクの顔復元ネットワークを提案する。 NASFEは、単一の劣化(すなわち)を含む低品質の顔画像を高めることができる。 ノイズまたはぼやけ)または複数の劣化(ノイズ+ブラル+ローライト)
  論文  参考訳（メタデータ） (2021-05-13T19:46:05Z)
• Learning Structral coherence Via Generative Adversarial Network for Single Image Super-Resolution [13.803141755183827]
  近年,GAN(Generative Adversarial Network)に基づくSISR法により,全体の現実的SR画像が得られた。 SRプロセスにおける高分解能勾配図の復元により構造情報を保存するため, 発電機に勾配分岐を導入する。 さらに、U-netベースの判別器を用いて、画像全体と画素ごとの詳細な認証の両方について検討する。
  論文  参考訳（メタデータ） (2021-01-25T15:26:23Z)
• Deep Face Super-Resolution with Iterative Collaboration between Attentive Recovery and Landmark Estimation [92.86123832948809]
  本稿では,2つの繰り返しネットワーク間の反復的協調による深層面超解像(FSR)手法を提案する。 各繰り返しステップにおいて、リカバリブランチは、ランドマークの事前の知識を利用して、高品質な画像を生成する。 新しい注意融合モジュールはランドマークマップのガイダンスを強化するために設計されている。
  論文  参考訳（メタデータ） (2020-03-29T16:04:48Z)

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。