論文の概要: Light Up Your Face: A Physically Consistent Dataset and Diffusion Model for Face Fill-Light Enhancement

• arxiv url: http://arxiv.org/abs/2602.04300v1
• Date: Wed, 04 Feb 2026 08:03:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.430259
• Title: Light Up Your Face: A Physically Consistent Dataset and Diffusion Model for Face Fill-Light Enhancement
• Title（参考訳）: 顔の光: 物理的に一貫性のあるデータセットと拡散モデル
• Authors: Jue Gong, Zihan Zhou, Jingkai Wang, Xiaohong Liu, Yulun Zhang, Xiaokang Yang,
• Abstract要約: フェース・フィリング・ライト・エンハンスメント(FFE)は、元のシーンの照明と背景をそのままにしながら、仮想フィリング光を加えることで、露出の少ない顔を明るくする。 ほとんどのフェースリライト法は、入力照明の抑制やシーン全体の修正が可能な、全体的な照明を再構築することを目的としている。 スケーラブルな学習を支援するために、物理的に一貫したフィルライトで構築された大規模なペアデータセットであるLightYourFace-160K(LYF-160K)を紹介した。
• 参考スコア（独自算出の注目度）: 49.28352100233792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face fill-light enhancement (FFE) brightens underexposed faces by adding virtual fill light while keeping the original scene illumination and background unchanged. Most face relighting methods aim to reshape overall lighting, which can suppress the input illumination or modify the entire scene, leading to foreground-background inconsistency and mismatching practical FFE needs. To support scalable learning, we introduce LightYourFace-160K (LYF-160K), a large-scale paired dataset built with a physically consistent renderer that injects a disk-shaped area fill light controlled by six disentangled factors, producing 160K before-and-after pairs. We first pretrain a physics-aware lighting prompt (PALP) that embeds the 6D parameters into conditioning tokens, using an auxiliary planar-light reconstruction objective. Building on a pretrained diffusion backbone, we then train a fill-light diffusion (FiLitDiff), an efficient one-step model conditioned on physically grounded lighting codes, enabling controllable and high-fidelity fill lighting at low computational cost. Experiments on held-out paired sets demonstrate strong perceptual quality and competitive full-reference metrics, while better preserving background illumination. The dataset and model will be at https://github.com/gobunu/Light-Up-Your-Face.
• Abstract（参考訳）: フェース・フィリング・ライト・エンハンスメント(FFE)は、元のシーンの照明と背景をそのままにしながら、仮想フィリング光を加えることで、露出の少ない顔を明るくする。 ほとんどのフェースライティング手法は、入力照明の抑制やシーン全体の変更を可能とし、フォアグラウンドの非一貫性と実用的なFFEニーズのミスマッチにつながる、全体の照明を再構築することを目的としている。 スケーラブルな学習を支援するために,物理的に一貫したレンダラーを内蔵した大規模なペアデータセットであるLightYourFace-160K(LYF-160K)を紹介した。 まず,6次元パラメータをコンディショニングトークンに埋め込む物理対応照明プロンプト(PALP)を,補助的な平面光再構成目標を用いて事前訓練する。 既訓練の拡散バックボーン上に構築したフィリットディフ(FiLitDiff)は、物理的に接地された照明符号を条件とした効率的なワンステップモデルである。 ホールドアウトされたペアセットの実験は、強い知覚品質と競争力のあるフル参照指標を示し、背景照明をよりよく保存する。 データセットとモデルはhttps://github.com/gobunu/Light-Up-Your-Faceにある。

関連論文リスト

• POLAR: A Portrait OLAT Dataset and Generative Framework for Illumination-Aware Face Modeling [51.7495375918484]
  顔のリライティングは、アイデンティティと幾何学を保ちながら、新しい照明の下でリアルな肖像画を合成することを目的としている。 大規模かつ物理的に校正されたOne-Light-at-a-TimeデータセットであるPOLARを紹介した。 フローベース生成モデル POLARNet を開発した。これは1つのポートレートから光ごとのOLAT応答を予測し、顔認証を保ちながら細粒度で方向対応の照明効果を捉える。
  論文  参考訳（メタデータ） (2025-12-15T11:04:09Z)
• DreamLight: Towards Harmonious and Consistent Image Relighting [41.90032795389507]
  ユニバーサル・イメージ・リライティングのためのDreamLightというモデルを導入する。 照明や色調の美的均一性を保ちつつ、被験者をシームレスに新しい背景に合成することができる。
  論文  参考訳（メタデータ） (2025-06-17T14:05:24Z)
• LightLab: Controlling Light Sources in Images with Diffusion Models [49.83835236202516]
  画像中の光源を微細かつパラメトリックに制御する拡散法を提案する。 我々は、光の線形性を利用して、ターゲット光源または周囲照明の制御された光の変化を描写した画像対を合成する。 提案手法は, ユーザの好みに基づいて, 従来の方法よりも優れた光編集結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-05-14T17:57:27Z)
• Zero-Reference Low-Light Enhancement via Physical Quadruple Priors [58.77377454210244]
  本稿では,標準光画像のみをトレーニング可能な,ゼロ参照低光強調フレームワークを提案する。 このフレームワークは、画像にさかのぼる照明不変性を復元し、自動的に低照度化を実現します。
  論文  参考訳（メタデータ） (2024-03-19T17:36:28Z)
• DiFaReli++: Diffusion Face Relighting with Consistent Cast Shadows [11.566896201650056]
  我々は,グローバル照明やキャストシャドウといった課題に対処するため,自然界における単一視点の顔のリライティングに新たなアプローチを導入する。 我々は、1つのネットワークパスだけを必要とする単発リライトフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-19T08:03:20Z)
• Light Stage Super-Resolution: Continuous High-Frequency Relighting [58.09243542908402]
  光ステージから採取した人間の顔の「超解像」を学習ベースで解析する手法を提案する。 本手法では,ステージ内の隣接する照明に対応する撮像画像を集約し,ニューラルネットワークを用いて顔の描画を合成する。 我々の学習モデルは、リアルな影と特異なハイライトを示す任意の光方向のレンダリングを生成することができる。
  論文  参考訳（メタデータ） (2020-10-17T23:40:43Z)

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。