論文の概要: AHS: Adaptive Head Synthesis via Synthetic Data Augmentations

• arxiv url: http://arxiv.org/abs/2604.15857v1
• Date: Fri, 17 Apr 2026 09:05:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.845082
• Title: AHS: Adaptive Head Synthesis via Synthetic Data Augmentations
• Title（参考訳）: AHS: 合成データによる適応頭部合成
• Authors: Taewoong Kang, Hyojin Jang, Sohyun Jeong, Seunggi Moon, Gihwi Kim, Hoon Jin Jung, Jaegul choo,
• Abstract要約: 頭部のポーズや表情の異なる上半身画像をフルに扱える適応型頭部合成法(AHS)を提案する。 AHSは、自己教師付きトレーニング制約を克服するために、新しい頭部再現型合成データ拡張戦略を取り入れている。 現実のシナリオに挑戦する上で優れたパフォーマンスを実現し、視覚的に一貫性のある結果を生み出す。
• 参考スコア（独自算出の注目度）: 39.85130610686079
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent digital media advancements have created increasing demands for sophisticated portrait manipulation techniques, particularly head swapping, where one's head is seamlessly integrated with another's body. However, current approaches predominantly rely on face-centered cropped data with limited view angles, significantly restricting their real-world applicability. They struggle with diverse head expressions, varying hairstyles, and natural blending beyond facial regions. To address these limitations, we propose Adaptive Head Synthesis (AHS), which effectively handles full upper-body images with varied head poses and expressions. AHS incorporates a novel head reenacted synthetic data augmentation strategy to overcome self-supervised training constraints, enhancing generalization across diverse facial expressions and orientations without requiring paired training data. Comprehensive experiments demonstrate that AHS achieves superior performance in challenging real-world scenarios, producing visually coherent results that preserve identity and expression fidelity across various head orientations and hairstyles. Notably, AHS shows exceptional robustness in maintaining facial identity while drastic expression changes and faithfully preserving accessories while significant head pose variations.
• Abstract（参考訳）: 近年のデジタルメディアの進歩は、高度なポートレート操作技術、特に頭が他人の体とシームレスに統合されるヘッドスワップの要求を増大させている。 しかし、現在のアプローチは主に視野角が制限された顔中心の収穫データに依存しており、現実の応用性を著しく制限している。 彼らは多様な頭部表現、様々な髪型、顔領域を超えて自然なブレンドに苦しむ。 これらの制約に対処するために,頭部のポーズや表情の異なる上半身の画像を効果的に処理する適応型頭部合成(AHS)を提案する。 AHSは、自己教師付きトレーニングの制約を克服し、ペアのトレーニングデータを必要とせず、多様な表情や方向をまたいだ一般化を促進するために、新しい頭部再現型合成データ拡張戦略を取り入れている。 包括的実験により、AHSは現実のシナリオに挑戦する上で優れた性能を示し、様々な頭部や髪型にまたがるアイデンティティと表現の忠実さを保った視覚的に一貫性のある結果を生み出す。 特に、AHSは顔のアイデンティティを保ちながら、劇的な表情の変化と忠実にアクセサリーを保ちながら、顕著な頭部ポーズの変化を保っている。

関連論文リスト

• Controllable and Expressive One-Shot Video Head Swapping [22.260212663609497]
  本稿では,ビデオヘッドスワップのための拡散型多条件制御フレームワークを提案する。 本手法は,人間の頭部を静止画像から動的映像にシームレスに移植し,対象映像の本来の身体と背景を保存する。 実験結果から,本手法はソースポートレートの同一性を保ちながら,シームレスな背景統合に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-20T09:01:17Z)
• Zero-Shot Head Swapping in Real-World Scenarios [30.493743596793212]
  本稿では,頭部と上半身を含む画像に対して頑健な新しい頭部交換法HIDを提案する。 マスクの自動生成には,頭部と身体のシームレスなブレンドを可能にするIOMaskを導入する。 本研究では,提案手法がヘッドスワップにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-03-02T11:44:23Z)
• GaussianHeads: End-to-End Learning of Drivable Gaussian Head Avatars from Coarse-to-fine Representations [54.94362657501809]
  マルチビュー画像から高ダイナミックで変形可能な人間の頭部アバターをリアルタイムで生成する手法を提案する。 本手法のコアとなるのは,顔表情と頭部運動の複雑なダイナミクスを捉えることができる頭部モデルの階層的表現である。 我々は、この粗い顔アバターモデルを、エンドツーエンドのフレームワークで学習可能なパラメータとして頭部ポーズとともに訓練する。
  論文  参考訳（メタデータ） (2024-09-18T13:05:43Z)
• ConsistentID: Portrait Generation with Multimodal Fine-Grained Identity Preserving [64.90148669690228]
  ConsistentIDは、微細なマルチモーダル顔のプロンプト下での多彩な画像生成のための革新的な手法である。 我々は、50万以上の顔画像を持つ、きめ細かいポートレートデータセットFGIDを提示し、既存の顔データセットよりも多様性と包括性を提供する。
  論文  参考訳（メタデータ） (2024-04-25T17:23:43Z)
• FaceDancer: Pose- and Occlusion-Aware High Fidelity Face Swapping [62.38898610210771]
  そこで我々は,FaceDancerという顔のスワップとID転送のための新しい単一ステージ手法を提案する。 アダプティブ・フィーチャー・フュージョン・アテンション(AFFA)と解釈的特徴類似性規則化(IFSR)の2つの主要なコントリビューションがある。
  論文  参考訳（メタデータ） (2022-10-19T11:31:38Z)
• CIAO! A Contrastive Adaptation Mechanism for Non-Universal Facial Expression Recognition [80.07590100872548]
  本稿では、顔エンコーダの最後の層に異なるデータセットの特定の感情特性を適応させるメカニズムであるContrastive Inhibitory Adaptati On(CIAO)を提案する。 CIAOは、非常にユニークな感情表現を持つ6つの異なるデータセットに対して、表情認識性能が改善されている。
  論文  参考訳（メタデータ） (2022-08-10T15:46:05Z)

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。