論文の概要: LBFTI: Layer-Based Facial Template Inversion for Identity-Preserving Fine-Grained Face Reconstruction

• arxiv url: http://arxiv.org/abs/2604.18358v1
• Date: Mon, 20 Apr 2026 14:49:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.947674
• Title: LBFTI: Layer-Based Facial Template Inversion for Identity-Preserving Fine-Grained Face Reconstruction
• Title（参考訳）: LBFTI: 顔再構成のための階層型顔テンプレートインバージョン
• Authors: Zixuan Shen, Zhihua Xia, Kaikai Gan, Peipeng Yu,
• Abstract要約: 本稿では,階層型顔画像保存のための階層型顔テンプレート・インバージョン(LBFTI)を提案する。 顔画像は前景層(額、目、鼻、口を含む)、中景層(皮膚)、背景層(他の部分)の3層に分解する。 実験により、我々のLBFTIは、機械認証性能において最先端の手法を上回るだけでなく、TARを25.3%改善し、人間の知覚においてより良い類似性を達成していることが示された。
• 参考スコア（独自算出の注目度）: 13.912919561930272
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In face recognition systems, facial templates are widely adopted for identity authentication due to their compliance with the data minimization principle. However, facial template inversion technologies have posed a severe privacy leakage risk by enabling face reconstruction from templates. This paper proposes a Layer-Based Facial Template Inversion (LBFTI) method to reconstruct identity-preserving fine-grained face images. Our scheme decomposes face images into three layers: foreground layers (including eyebrows, eyes, nose, and mouth), midground layers (skin), and background layers (other parts). LBFTI leverages dedicated generators to produce these layers, adopting a rigorous three-stage training strategy: (1) independent refined generation of foreground and midground layers, (2) fusion of foreground and midground layers with template secondary injection to produce complete panoramic face images with background layers, and (3) joint fine-tuning of all modules to optimize inter-layer coordination and identity consistency. Experiments demonstrate that our LBFTI not only outperforms state-of-the-art methods in machine authentication performance, with a 25.3% improvement in TAR, but also achieves better similarity in human perception, as validated by both quantitative metrics and a questionnaire survey.
• Abstract（参考訳）: 顔認識システムでは、データ最小化原理に準拠しているため、顔認証には顔テンプレートが広く採用されている。 しかし、顔テンプレートの逆転技術は、テンプレートから顔の復元を可能にすることにより、深刻なプライバシー漏洩リスクを生じさせている。 本稿では,階層型顔画像保存のための階層型顔テンプレート・インバージョン(LBFTI)を提案する。 顔画像は前景層(額、目、鼻、口を含む)、中景層(皮膚)、背景層(他の部分)に分解する。 LBFTIは、これらの層を生成するために専用のジェネレータを活用し、(1)前地層と中地層を独立に改良し、(2)前地層と中地層をテンプレート二次注入して、背景層と完全なパノラマ顔画像を生成する。 実験により、我々のLBFTIは、機械認証性能において最先端の手法よりも25.3%向上しただけでなく、定量的メトリクスとアンケートの両方で検証されたように、人間の知覚の類似性も向上していることが示された。

関連論文リスト

• SMFD-UNet: Semantic Face Mask Is The Only Thing You Need To Deblur Faces [0.0]
  SMFD-UNet(Semantic Mask Fusion Deblurring UNet)を提案する。 SMFD-UNetは,高ピーク信号雑音比 (PSNR) と構造類似度指数測定 (SSIM) を達成しつつ, 良好な自然度対策を保ちながら, 最先端モデルよりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2026-04-08T18:16:39Z)
• CLIP-FTI: Fine-Grained Face Template Inversion via CLIP-Driven Attribute Conditioning [15.01028853162385]
  顔認識システムは、効率的なマッチングのために顔テンプレートを格納する。 逆転することでプライバシーを侵害し、偽装を可能にするサロゲートが生成される。 顔テンプレートインバージョンのためのCLIP駆動の微粒化属性条件付けフレームワークであるCLIP-FTIを提案する。
  論文  参考訳（メタデータ） (2025-12-17T13:26:34Z)
• Face-MakeUpV2: Facial Consistency Learning for Controllable Text-to-Image Generation [4.383815913901858]
  Face-MakeUpV2は、顔IDの整合性と、参照画像との物理的特性の整合性を維持することを目的とした、顔画像生成モデルである。 実験では、Face-MakeUpV2は、顔IDを保存し、参照画像の物理的整合性を維持するという点で、最高の全体的な性能を達成する。
  論文  参考訳（メタデータ） (2025-10-17T09:31:08Z)
• FaceLift: Learning Generalizable Single Image 3D Face Reconstruction from Synthetic Heads [54.24070918942727]
  1枚の画像から高画質の360度3Dヘッドを復元するための新しいフィードフォワードアプローチであるFaceLiftを提案する。 パイプラインはまずマルチビューの潜伏拡散モデルを用いて、1つの入力から一貫したサイドビューとバックビューを生成する。 FaceLiftは、アイデンティティ保存、ディテールリカバリ、レンダリング品質において、最先端の3D顔再構成方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-12-23T18:59:49Z)
• ID$^3$: Identity-Preserving-yet-Diversified Diffusion Models for Synthetic Face Recognition [60.15830516741776]
  合成顔認識(SFR)は、実際の顔データの分布を模倣するデータセットを生成することを目的としている。 拡散燃料SFRモデルであるtextID3$を紹介します。 textID3$はID保存損失を利用して、多様だがアイデンティティに一貫性のある顔の外観を生成する。
  論文  参考訳（メタデータ） (2024-09-26T06:46:40Z)
• A Hierarchical Representation Network for Accurate and Detailed Face Reconstruction from In-The-Wild Images [15.40230841242637]
  本稿では,1つの画像から正確な顔再構成を実現するために,新しい階層型表現ネットワーク(HRN)を提案する。 我々のフレームワークは、異なるビューの詳細な一貫性を考慮し、マルチビューに拡張することができる。 本手法は,再現精度と視覚効果の両方において既存手法より優れる。
  論文  参考訳（メタデータ） (2023-02-28T09:24:36Z)
• GMFIM: A Generative Mask-guided Facial Image Manipulation Model for Privacy Preservation [0.7734726150561088]
  入力顔画像に知覚不可能な編集を適用するために,GANをベースとしたマスク誘導顔画像マニピュレーションモデルを提案する。 我々のモデルは、最先端の手法と比較して、自動顔認識システムに対してより良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-01-10T14:09:14Z)
• HifiFace: 3D Shape and Semantic Prior Guided High Fidelity Face Swapping [116.1022638063613]
  本研究では,光源面の顔形状を保存し,写真リアルな結果を生成できるHifiFaceを提案する。 本稿では,エンコーダとデコーダの組み合わせを最適化するSemantic Facial Fusionモジュールを提案する。
  論文  参考訳（メタデータ） (2021-06-18T07:39:09Z)
• Learning to Aggregate and Personalize 3D Face from In-the-Wild Photo Collection [65.92058628082322]
  非パラメトリックフェースモデリングは形状仮定なしで画像からのみ3次元フェースを再構成することを目的としている。 本稿では,教師なしのロバストな3次元顔モデリングのための学習・アグリゲート・パーソナライズ・フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-15T03:10:17Z)
• Joint Face Image Restoration and Frontalization for Recognition [79.78729632975744]
  現実世界のシナリオでは、大きなポーズ、悪い照明、低解像度、ぼやけ、ノイズなど、多くの要因が顔認識性能を損なう可能性がある。 それまでの努力は通常、まず品質の低い顔から高品質な顔に復元し、次に顔認識を行う。 与えられた低品質の顔からフロンダル化された高品質の顔を復元する多段階顔復元モデルを提案する。
  論文  参考訳（メタデータ） (2021-05-12T03:52:41Z)

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。