論文の概要: Diffusion for De-Occlusion: Accessory-Aware Diffusion Inpainting for Robust Ear Biometric Recognition

• arxiv url: http://arxiv.org/abs/2601.19795v1
• Date: Tue, 27 Jan 2026 16:55:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.408744
• Title: Diffusion for De-Occlusion: Accessory-Aware Diffusion Inpainting for Robust Ear Biometric Recognition
• Title（参考訳）: 脱閉塞のための拡散:ロバスト耳バイオメトリック認識のためのアクセオリー・アウェア・ディフュージョン・インペインティング
• Authors: Deeksha Arun, Kevin W. Bowyer, Patrick Flynn,
• Abstract要約: 耳アクセサリーは、耳ベースの生体認証システムの性能に悪影響を及ぼす可能性がある。 本研究では,前処理補助として拡散型耳塗り法の有効性を評価する。
• 参考スコア（独自算出の注目度）: 8.367325709365051
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ear occlusions (arising from the presence of ear accessories such as earrings and earphones) can negatively impact performance in ear-based biometric recognition systems, especially in unconstrained imaging circumstances. In this study, we assess the effectiveness of a diffusion-based ear inpainting technique as a pre-processing aid to mitigate the issues of ear accessory occlusions in transformer-based ear recognition systems. Given an input ear image and an automatically derived accessory mask, the inpainting model reconstructs clean and anatomically plausible ear regions by synthesizing missing pixels while preserving local geometric coherence along key ear structures, including the helix, antihelix, concha, and lobule. We evaluate the effectiveness of this pre-processing aid in transformer-based recognition systems for several vision transformer models and different patch sizes for a range of benchmark datasets. Experiments show that diffusion-based inpainting can be a useful pre-processing aid to alleviate ear accessory occlusions to improve overall recognition performance.
• Abstract（参考訳）: 耳の閉塞(イヤリングやイヤホンのような耳のアクセサリーの存在から生じる)は、耳ベースの生体認証システム、特に制約のない撮像環境では、パフォーマンスに悪影響を及ぼす可能性がある。 本研究は, 変圧器を用いた耳認識システムにおいて, 耳の補聴器閉塞の問題を緩和するための前処理補助として, 拡散型耳塗布技術の有効性を評価するものである。 入力耳画像と自動的に導出されるアクセサリーマスクとが与えられた後、塗装モデルは、ヘリックス、アンチヘリックス、コンチャ、ルーブルを含むキー耳構造に沿って局所的な幾何学的コヒーレンスを保持しつつ、欠落した画素を合成することにより、クリーンで解剖学的に可視な耳領域を再構成する。 本研究は,複数のビジョントランスモデルに対するトランスフォーマーに基づく認識システムにおける前処理支援の有効性と,様々なベンチマークデータセットに対するパッチサイズについて評価する。 実験により, 拡散性塗料の塗布は耳介の閉塞を軽減し, 全体的な認識性能を向上させるのに有用であることが示された。

関連論文リスト

• How Does Bilateral Ear Symmetry Affect Deep Ear Features? [6.143343929388887]
  両耳対称性がCNNに基づく耳の認識の有効性に与える影響について検討した。 トレーニングとテストの間、左右の耳を別々に扱うと、顕著なパフォーマンス改善につながる。
  論文  参考訳（メタデータ） (2025-08-06T16:35:59Z)
• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。 特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。 拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• Stethoscope-guided Supervised Contrastive Learning for Cross-domain Adaptation on Respiratory Sound Classification [1.690115983364313]
  本稿では、ソースドメインから異なるターゲットドメインに知識を転送するクロスドメイン適応手法を提案する。 特に、個々の領域として異なる聴診器タイプを考慮し、新しい聴診器誘導型教師付きコントラスト学習手法を提案する。 ICBHIデータセットの実験結果から,提案手法はドメイン依存性の低減とICBHIスコア61.71%の達成に有効であることが示された。
  論文  参考訳（メタデータ） (2023-12-15T08:34:31Z)
• Deep denoising autoencoder-based non-invasive blood flow detection for arteriovenous fistula [10.030431512848239]
  本稿では,DAE(Deep Denoising Autoencoder)に基づく次元削減と再構成作業を行う手法を提案する。 以上の結果から,DAEが生み出す潜伏表現は0.93の精度で予測を上回った。 ノイズ・ミキシングの導入とノイズ・トゥ・クリーン・スキームの利用により、潜在表現の識別能力が効果的に向上する。
  論文  参考訳（メタデータ） (2023-06-12T04:46:01Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Ear Recognition [0.0]
  耳のバイオメトリックスは、主に非侵襲的で、適切に永続的で正確であることが証明されている。 異なる耳認識技術は、顔認識技術と同じくらい効果的であることが証明されています。
  論文  参考訳（メタデータ） (2021-01-26T03:26:00Z)
• Improving Blind Spot Denoising for Microscopy [73.94017852757413]
  自己監督型認知の質を向上させる新しい方法を提案する。 我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
  論文  参考訳（メタデータ） (2020-08-19T13:06:24Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。