論文の概要: MeInTime: Bridging Age Gap in Identity-Preserving Face Restoration

• arxiv url: http://arxiv.org/abs/2603.18645v1
• Date: Thu, 19 Mar 2026 09:11:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.051999
• Title: MeInTime: Bridging Age Gap in Identity-Preserving Face Restoration
• Title（参考訳）: MeInTime: アイデンティティ保護による顔修復におけるブリッジングエイジギャップ
• Authors: Teer Song, Yue Zhang, Yu Tian, Ziyang Wang, Xianlin Zhang, Guixuan Zhang, Xuan Liu, Xueming Li, Yasen Zhang,
• Abstract要約: MeInTimeは拡散ベースの顔復元手法で、参照ベースの復元を同年齢から異年齢まで拡張する。 劣化した入力に対応する年齢プロンプトとともに1つまたは数個の参照画像が与えられた場合、MeInTimeはアイデンティティの忠実さと年齢の一貫性の両方で忠実な復元を達成する。
• 参考スコア（独自算出の注目度）: 24.354251784441217
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To better preserve an individual's identity, face restoration has evolved from reference-free to reference-based approaches, which leverage high-quality reference images of the same identity to enhance identity fidelity in the restored outputs. However, most existing methods implicitly assume that the reference and degraded input are age-aligned, limiting their effectiveness in real-world scenarios where only cross-age references are available, such as historical photo restoration. This paper proposes MeInTime, a diffusion-based face restoration method that extends reference-based restoration from same-age to cross-age settings. Given one or few reference images along with an age prompt corresponding to the degraded input, MeInTime achieves faithful restoration with both identity fidelity and age consistency. Specifically, we decouple the modeling of identity and age conditions. During training, we focus solely on effectively injecting identity features through a newly introduced attention mechanism and introduce Gated Residual Fusion modules to facilitate the integration between degraded features and identity representations. At inference, we propose Age-Aware Gradient Guidance, a training-free sampling strategy, using an age-driven direction to iteratively nudge the identity-aware denoising latent toward the desired age semantic manifold. Extensive experiments demonstrate that MeInTime outperforms existing face restoration methods in both identity preservation and age consistency. Our code is available at: https://github.com/teer4/MeInTime
• Abstract（参考訳）: 個人のアイデンティティをよりよく保存するために、顔の復元は参照のないものから参照ベースのものへと進化し、同じアイデンティティの高品質な参照画像を活用して、復元された出力におけるアイデンティティの忠実性を高める。 しかし、既存のほとんどの手法は、参照と劣化した入力が年齢順であると暗黙的に仮定し、過去の写真復元のようなクロスエイジ参照のみが利用できる現実のシナリオにおける有効性を制限している。 本稿では,同年齢から異年齢までの参照ベース復元を拡張した拡散型顔復元手法であるMeInTimeを提案する。 劣化した入力に対応する年齢プロンプトとともに1つまたは数個の参照画像が与えられた場合、MeInTimeはアイデンティティの忠実さと年齢の一貫性の両方で忠実な復元を達成する。 具体的には、アイデンティティと年齢条件のモデリングを分離する。 トレーニング中、新しく導入された注意機構を通じて、アイデンティティ機能を効果的に注入することのみに集中し、劣化した特徴とアイデンティティ表現の統合を容易にするために、Gated Residual Fusionモジュールを導入します。 提案手法は,学習不要なサンプリング戦略である年齢認識勾配誘導法であり,年齢駆動方式を用いて,所望の年齢セマンティック多様体に対して遅延した個人識別を反復的に評価する手法である。 大規模な実験により、MeInTimeは、アイデンティティの保存と年齢の整合性の両方において、既存の顔復元方法よりも優れていることが示された。 私たちのコードは、https://github.com/teer4/MeInTimeで利用可能です。

関連論文リスト

• Face Time Traveller : Travel Through Ages Without Losing Identity [22.930701520656005]
  Face Time Traveller(フェイスタイムトラベルラー、FaceTT)は、高忠実でアイデンティティと一貫性のある年齢変換を実現する拡散ベースのフレームワークである。 高速かつ高精度な再構成のために,実面を拡散潜時空間に効率的にマッピングする,チューニング不要なAngularインバージョン法を提案する。 ベンチマークデータセットとWildテストセットの実験は、FaceTTが優れたアイデンティティ保持、バックグラウンド保存、老朽化リアリズムを実現することを実証している。
  論文  参考訳（メタデータ） (2026-02-26T10:01:37Z)
• Beyond Inference Intervention: Identity-Decoupled Diffusion for Face Anonymization [55.29071072675132]
  顔の匿名化は、非同一性属性を保持しながら、識別情報を隠蔽することを目的としている。 トレーニング中心の匿名化フレームワークである textbfIDsuperscript2Face を提案する。 IDtextsuperscript2Faceは、視覚的品質、アイデンティティの抑制、ユーティリティ保存において、既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-28T09:28:12Z)
• WithAnyone: Towards Controllable and ID Consistent Image Generation [83.55786496542062]
  アイデンティティ・一貫性・ジェネレーションは、テキスト・ツー・イメージ研究において重要な焦点となっている。 マルチパーソンシナリオに適した大規模ペアデータセットを開発する。 本稿では,データと多様性のバランスをとるためにペアデータを活用する,対照的なアイデンティティ損失を持つ新たなトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-16T17:59:54Z)
• Personalized Face Super-Resolution with Identity Decoupling and Fitting [50.473357681579664]
  極端な劣化シナリオでは、重要な属性とID情報が入力画像で著しく失われることが多い。 既存の方法では、そのような条件下で幻覚顔を生成する傾向があり、真のID制約を欠いた復元画像を生成する。 本稿ではIDデカップリング・フィッティング(IDFSR)を用いた新しいFSR手法を提案する。
  論文  参考訳（メタデータ） (2025-08-13T02:33:11Z)
• Robust ID-Specific Face Restoration via Alignment Learning [14.7430941613282]
  本稿では,拡散モデルに基づく新しい顔復元フレームワークであるRobust ID-Specific Face Restoration (RIDFR)を提案する。 RIDFRにはアライメント・ラーニング(Alignment Learning)が組み込まれており、複数の参照からの復元結果を同一のアイデンティティと整合させて、ID非関連顔のセマンティクスの干渉を抑制する。 実験により、我々のフレームワークは最先端の手法よりも優れており、高品質なID固有の結果を高いアイデンティティの忠実度で再現し、強靭性を示す。
  論文  参考訳（メタデータ） (2025-07-15T03:16:12Z)
• Reference-Guided Identity Preserving Face Restoration [54.10295747851343]
  顔のアイデンティティを保存することは、拡散に基づく画像復元において重要な課題である。 本稿では,顔の復元とアイデンティティの保存を改善するために,参照顔の有用性を最大化するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-28T02:46:34Z)
• RestorerID: Towards Tuning-Free Face Restoration with ID Preservation [18.022455458259305]
  本研究では,顔修復時のID保存を取り入れたRestorerIDというチューニング不要な手法を提案する。 そこで本研究では,ID注入とベースブラインド顔復元モデルを組み合わせた統合フレームワークを提案する。 Celeb-Refデータセットと実世界のシナリオの実験結果から、RestorerIDはID保存による高品質な顔復元を効果的に実現することが示された。
  論文  参考訳（メタデータ） (2024-11-21T13:50:25Z)
• When StyleGAN Meets Stable Diffusion: a $\mathscr{W}_+$ Adapter for Personalized Image Generation [60.305112612629465]
  テキストと画像の拡散モデルは、多種多様で高品質でフォトリアリスティックな画像を生成するのに優れている。 本稿では,拡散モデルのための拡張されたアイデンティティ保存とアンタングル化を実現するために,StyleGAN 埋め込み空間 $mathcalW_+$ の新たな利用法を提案する。 提案手法は,即時記述に適合するだけでなく,一般的なスタイルGAN編集方向に対応可能なパーソナライズされたテキスト・ツー・イメージ出力を生成する。
  論文  参考訳（メタデータ） (2023-11-29T09:05:14Z)
• Age Gap Reducer-GAN for Recognizing Age-Separated Faces [72.26969872180841]
  本稿では,年齢変化に伴う顔と時間変化をマッチングする新しいアルゴリズムを提案する。 提案手法は,顔の年齢推定と年齢別顔の検証を組み合わせた統合フレームワークである。
  論文  参考訳（メタデータ） (2020-11-11T16:43:32Z)

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。