論文の概要: Identity-Consistent Video Generation under Large Facial-Angle Variations

• arxiv url: http://arxiv.org/abs/2603.21299v1
• Date: Sun, 22 Mar 2026 15:54:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.341361
• Title: Identity-Consistent Video Generation under Large Facial-Angle Variations
• Title（参考訳）: 顔のアングル変化が大きい場合のアイデンティティ一貫性ビデオ生成
• Authors: Bin Hu, Zipeng Qi, Guoxi Huang, Zunnan Xu, Ruicheng Zhang, Chongjie Ye, Jun Zhou, Xiu Li, Jingdong Wang,
• Abstract要約: シングルビュー参照ビデオ手法は、大きな顔-角のバリエーションの下でアイデンティティの一貫性を維持するのにしばしば苦労する。 我々は,マルチビュー条件付きフレームワークである$mathrmMv2mathrmID$を提案する。 動作の自然性を維持しながらアイデンティティの整合性を大幅に向上し,クロスペアデータを用いた既存手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 43.89758583859639
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-view reference-to-video methods often struggle to preserve identity consistency under large facial-angle variations. This limitation naturally motivates the incorporation of multi-view facial references. However, simply introducing additional reference images exacerbates the \textit{copy-paste} problem, particularly the \textbf{\textit{view-dependent copy-paste}} artifact, which reduces facial motion naturalness. Although cross-paired data can alleviate this issue, collecting such data is costly. To balance the consistency and naturalness, we propose $\mathrm{Mv}^2\mathrm{ID}$, a multi-view conditioned framework under in-paired supervision. We introduce a region-masking training strategy to prevent shortcut learning and extract essential identity features by encouraging the model to aggregate complementary identity cues across views. In addition, we design a reference decoupled-RoPE mechanism that assigns distinct positional encoding to video and conditioning tokens for better modeling of their heterogeneous properties. Furthermore, we construct a large-scale dataset with diverse facial-angle variations and propose dedicated evaluation metrics for identity consistency and motion naturalness. Extensive experiments demonstrate that our method significantly improves identity consistency while maintaining motion naturalness, outperforming existing approaches trained with cross-paired data.
• Abstract（参考訳）: シングルビュー参照ビデオ手法は、大きな顔-角のバリエーションの下でアイデンティティの一貫性を維持するのにしばしば苦労する。 この制限は、自然に多視点顔参照の組み入れを動機付けている。 しかし、単に参照画像を追加するだけで、特に \textbf{\textit{view-dependent copy-paste}} アーティファクトの \textit{copy-paste} 問題が悪化し、顔の動きの自然性が低下する。 クロスペアデータはこの問題を緩和することができるが、そのようなデータ収集にはコストがかかる。 一貫性と自然性のバランスをとるために,マルチビュー条件付きフレームワークである$\mathrm{Mv}^2\mathrm{ID}$を提案する。 本稿では,各ビューに相補的なアイデンティティの手がかりを集約することで,近距離学習を防止し,本質的なアイデンティティの特徴を抽出するための地域マスキングトレーニング戦略を提案する。 さらに,ビデオやコンディショニングトークンに異なる位置エンコーディングを割り当てる参照デカップリング・RoPE機構を設計し,その異種特性のモデル化を改良する。 さらに,多様な顔-角のバリエーションを持つ大規模データセットを構築し,アイデンティティの整合性や動きの自然性を評価するための専用評価指標を提案する。 大規模な実験により,動作の自然性を維持しながらアイデンティティの整合性を著しく向上し,クロスペアデータを用いた既存手法よりも優れていた。

関連論文リスト

• Optimizing ID Consistency in Multimodal Large Models: Facial Restoration via Alignment, Entanglement, and Disentanglement [54.199726425201895]
  大規模モデルのマルチモーダル編集は、様々なタスクにまたがる強力な編集機能を示している。 現在の顔認証保存法は、顔認証と編集済み要素IPの整合性回復に苦慮している。 そこで我々は,頑健なアイデンティティ特異的顔復元のためのアライメント・ディスタングルメント・アンタングルメント・フレームワークであるEditedIDを提案する。
  論文  参考訳（メタデータ） (2026-02-21T08:24:42Z)
• 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)
• From Large Angles to Consistent Faces: Identity-Preserving Video Generation via Mixture of Facial Experts [69.44297222099175]
  顔の特徴の異なるが相互に強化された側面を捉えた顔専門家の混合(MoFE)を導入する。 データセットの制限を軽減するため、私たちは、Face ConstraintsとIdentity Consistencyという2つの重要な側面を中心としたデータ処理パイプラインを調整しました。 我々は、既存のオープンソースヒューマンビデオデータセットからLFA(Large Face Angles)データセットをキュレートし、洗練しました。
  論文  参考訳（メタデータ） (2025-08-13T04:10:16Z)
• Show and Polish: Reference-Guided Identity Preservation in Face Video Restoration [9.481604837168762]
  Face Video Restoration (FVR)は、劣化したバージョンから高品質な顔ビデオを取り戻すことを目的としている。 従来の方法は、劣化が深刻であるときに、細粒でアイデンティティ固有の特徴を保存するのに苦労する。 視覚的プロンプトとして高品質な参照顔画像を活用する新しい手法であるIP-FVRを導入する。
  論文  参考訳（メタデータ） (2025-07-14T14:01:37Z)

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。