論文の概要: SRFlow: A Dataset and Regularization Model for High-Resolution Facial Optical Flow via Splatting Rasterization

• arxiv url: http://arxiv.org/abs/2601.06479v1
• Date: Sat, 10 Jan 2026 08:14:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.84093
• Title: SRFlow: A Dataset and Regularization Model for High-Resolution Facial Optical Flow via Splatting Rasterization
• Title（参考訳）: SRFlow: Splatting Rasterizationによる高分解能顔光流のデータセットと正規化モデル
• Authors: JiaLin Zhang, Dong Li,
• Abstract要約: Splatting Rasterization Flow (SRFlow) は高解像度の顔光フローデータセットである。 また,正規化損失を調整した顔光フローモデルSRFlowNetを提案する。
• 参考スコア（独自算出の注目度）: 9.108257371079274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Facial optical flow supports a wide range of tasks in facial motion analysis. However, the lack of high-resolution facial optical flow datasets has hindered progress in this area. In this paper, we introduce Splatting Rasterization Flow (SRFlow), a high-resolution facial optical flow dataset, and Splatting Rasterization Guided FlowNet (SRFlowNet), a facial optical flow model with tailored regularization losses. These losses constrain flow predictions using masks and gradients computed via difference or Sobel operator. This effectively suppresses high-frequency noise and large-scale errors in texture-less or repetitive-pattern regions, enabling SRFlowNet to be the first model explicitly capable of capturing high-resolution skin motion guided by Gaussian splatting rasterization. Experiments show that training with the SRFlow dataset improves facial optical flow estimation across various optical flow models, reducing end-point error (EPE) by up to 42% (from 0.5081 to 0.2953). Furthermore, when coupled with the SRFlow dataset, SRFlowNet achieves up to a 48% improvement in F1-score (from 0.4733 to 0.6947) on a composite of three micro-expression datasets. These results demonstrate the value of advancing both facial optical flow estimation and micro-expression recognition.
• Abstract（参考訳）: 顔の動き解析において、顔の光学的流れは幅広いタスクをサポートする。 しかし、高解像度の顔光フローデータセットの欠如は、この分野の進歩を妨げている。 本稿では、高分解能な顔光フローデータセットであるSplatting Rasterization Flow (SRFlow)と、正規化損失を調整した顔光フローモデルであるSplatting Rasterization Guided FlowNet (SRFlowNet)を紹介する。 これらの損失は、差分またはソベル演算子によって計算されたマスクと勾配を用いてフロー予測を制約する。 これにより、テクスチャレスまたは反復パターン領域における高周波ノイズや大規模なエラーを効果的に抑制し、ガウススプラッティングラスタ化によって導かれる高分解能皮膚の動きを明示的に捉えることができるSRFlowNetを第1のモデルにすることができる。 SRFlowデータセットによるトレーニングは、様々な光学フローモデルにおける顔の光学的フロー推定を改善し、エンドポイントエラー(EPE)を最大42%削減する(0.5081から0.2953まで)。 さらに、SRFlowデータセットと組み合わせると、3つのマイクロ圧縮データセットの合成上で、SRFlowNetはF1スコア(0.4733から0.6947まで)を最大48%改善する。 これらの結果から, 顔の光学的フロー推定とマイクロ圧縮認識の両方を推し進めることの価値が示された。

関連論文リスト

• Learning Efficient Meshflow and Optical Flow from Event Cameras [89.06553762828521]
  イベントベースのメッシュフロー推定は、イベントカメラから空間的に滑らかなスパース運動場を予測する新しいタスクである。 本稿では,特殊なエンコーダ・デコーダアーキテクチャを備えた軽量モデルである,イベントベースのMeshFlowネットワークを提案する。 我々は、最近の最先端フロー法と比較して、EEMFlowモデルの異常な性能と実行効率(30倍高速)を示す包括的な実験を行う。
  論文  参考訳（メタデータ） (2025-10-05T09:30:59Z)
• EDCFlow: Exploring Temporally Dense Difference Maps for Event-based Optical Flow Estimation [17.388776062997813]
  本稿では,高分解能で高品質なフロー推定を実現するための軽量なイベントベース光フローネットワーク(EDCFlow)を提案する。 EDCFlowは、既存のメソッドに比べてより少ない複雑さでパフォーマンスを向上し、より優れた一般化を提供する。
  論文  参考訳（メタデータ） (2025-06-04T02:55:04Z)
• FacialFlowNet: Advancing Facial Optical Flow Estimation with a Diverse Dataset and a Decomposed Model [15.525822826375371]
  本稿では,新しい大規模顔光フローデータセットであるFacalFlowNet(FFN)とDecomposed Facial Flow Model(DecFlow)を提案する。 FFNは9,635のアイデンティティと105,970のイメージペアで構成され、顔と頭部の詳細な動作分析に前例のない多様性を提供する。 DecFlowは、顔のセマンティックなデコーダを備え、顔のフローを頭と表情のコンポーネントに正確に分解する。
  論文  参考訳（メタデータ） (2024-09-09T07:49:13Z)
• SciFlow: Empowering Lightweight Optical Flow Models with Self-Cleaning Iterations [44.92134227376008]
  本稿では,SCI(Self-Cleaning Iteration)とRFL(Regression Focal Loss)の2つの相乗的手法を紹介する。 SCIとRFLは、反復洗練された光学流モデルにおいて、特に誤差伝播の緩和に有効である。 今回提案したSCIおよびRFL技術の有効性は,2つの異なる光フローモデルアーキテクチャで実証された。
  論文  参考訳（メタデータ） (2024-04-11T21:41:55Z)
• Rethinking Optical Flow from Geometric Matching Consistent Perspective [38.014569953980754]
  本稿では,従来の光流量推定法について再考する。 我々は,より優れた特徴表現を持つ光フロー推定(MatchFlow)のための事前学習タスクとして,GIMを使用している。 Sintel クリーンパスと KITTI テストセットの GMA から 11.5% と 10.1% の誤差削減を実現した。
  論文  参考訳（メタデータ） (2023-03-15T06:00:38Z)
• BlinkFlow: A Dataset to Push the Limits of Event-based Optical Flow Estimation [76.66876888943385]
  イベントカメラは、高時間精度、低データレート、高ダイナミックレンジ視覚知覚を提供する。 イベントベース光フローのための大規模データを高速に生成するための新しいシミュレータBlinkSimを提案する。
  論文  参考訳（メタデータ） (2023-03-14T09:03:54Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)
• Dense Optical Flow from Event Cameras [55.79329250951028]
  本稿では,イベントカメラからの高密度光フロー推定に特徴相関と逐次処理を導入することを提案する。 提案手法は、高密度光流を計算し、MVSEC上での終点誤差を23%削減する。
  論文  参考訳（メタデータ） (2021-08-24T07:39:08Z)
• STaRFlow: A SpatioTemporal Recurrent Cell for Lightweight Multi-Frame Optical Flow Estimation [64.99259320624148]
  マルチフレーム光フロー推定のための軽量CNNアルゴリズムを提案する。 結果のSTaRFlowアルゴリズムは、MPI SintelとKitti2015で最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2020-07-10T17:01:34Z)
• FPCR-Net: Feature Pyramidal Correlation and Residual Reconstruction for Optical Flow Estimation [72.41370576242116]
  フレーム対からの光フロー推定のための半教師付き特徴ピラミッド相関・残留再構成ネットワーク(FPCR-Net)を提案する。 ピラミッド相関マッピングと残留再構成の2つの主要なモジュールで構成されている。 実験結果から,提案手法は,平均終点誤差 (AEE) に対して0.80, 1.15, 0.10の改善を達成し,最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-01-17T07:13:51Z)

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。