論文の概要: MD-Face: MoE-Enhanced Label-Free Disentangled Representation for Interactive Facial Attribute Editing

• arxiv url: http://arxiv.org/abs/2604.20317v1
• Date: Wed, 22 Apr 2026 08:15:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.036489
• Title: MD-Face: MoE-Enhanced Label-Free Disentangled Representation for Interactive Facial Attribute Editing
• Title（参考訳）: MD-Face: MoE-Enhanced Label-free Disentangled Representation for Interactive Facial Attribute Editing
• Authors: Xuan Cui, Yunfei Zhao, Bo Liu, Wei Duan, Xingrong Fan,
• Abstract要約: MD-Face は,Mixture of Experts (MoE) をベースとしたラベルのない非交叉型表現学習フレームワークである。 MD-Faceは、専門家を動的に割り当てるゲーティング機構を備えたMoEバックボーンを使用して、モデルがより独立してセマンティックベクトルを学習できるようにする。 ProGANとStyleGANの実験では、MD-Faceは教師なしベースラインよりも優れており、教師なしベースラインと競合している。
• 参考スコア（独自算出の注目度）: 5.354798606904701
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: GAN-based facial attribute editing is widely used in virtual avatars and social media but often suffers from attribute entanglement, where modifying one face attribute unintentionally alters others. While supervised disentangled representation learning can address this, it relies heavily on labeled data, incurring high annotation costs. To address these challenges, we propose MD-Face, a label-free disentangled representation learning framework based on Mixture of Experts (MoE). MD-Face utilizes a MoE backbone with a gating mechanism that dynamically allocates experts, enabling the model to learn semantic vectors with greater independence. To further enhance attribute entanglement, we introduce a geometry-aware loss, which aligns each semantic vector with its corresponding Semantic Boundary Vector (SBV) through a Jacobian-based pushforward method. Experiments with ProGAN and StyleGAN show that MD-Face outperforms unsupervised baselines and competes with supervised ones. Compared to diffusion-based methods, it offers better image quality and lower inference latency, making it ideal for interactive editing.
• Abstract（参考訳）: GANベースの顔属性編集は、仮想アバターやソーシャルメディアで広く使われているが、一方の顔属性を意図せず変更する属性の絡み合いに悩まされることが多い。 教師付き不整合表現学習はこれに対処できるが、ラベル付きデータに大きく依存し、高いアノテーションコストを発生させる。 これらの課題に対処するために,MD-Faceを提案する。 MD-Faceは、専門家を動的に割り当てるゲーティング機構を備えたMoEバックボーンを使用して、モデルがより独立してセマンティックベクトルを学習できるようにする。 属性の絡み合いをさらに高めるため,各意味ベクトルと対応するセマンティック境界ベクトル(SBV)をヤコビアンベースのプッシュフォワード法で整列する幾何認識損失を導入する。 ProGANとStyleGANの実験では、MD-Faceは教師なしベースラインよりも優れており、教師なしベースラインと競合している。 拡散ベースの手法と比較して、画像品質の向上と推論遅延の低減を実現し、インタラクティブな編集に最適である。

関連論文リスト

• U-Face: An Efficient and Generalizable Framework for Unsupervised Facial Attribute Editing via Subspace Learning [15.353166784413306]
  本稿では,教師なしの顔属性編集において,効果的かつ適応的なソリューションを提供するための新しいフレームワークを提案する。 提案手法は意味的ベクトル学習を部分空間学習問題とみなし,潜在ベクトルを意味的ベクトル行列で表される下位次元の意味的部分空間内で近似する。 意味的ベクトルに非負の制約を導入し, 属性境界ベクトルを組み込んで学習方向の絡み合いを低減する。
  論文  参考訳（メタデータ） (2026-03-14T16:09:56Z)
• 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)
• ID-Consistent, Precise Expression Generation with Blendshape-Guided Diffusion [40.50436862878818]
  特定の表情の被写体を忠実に再現する拡散型フレームワークを提案する。 我々のアダプタは、基本的な感情を超えて微妙なマイクロ表現と表現的遷移を一般化する。 さらに、プラグ可能な参照アダプタは、合成中に参照フレームから外観を転送することで、実画像での表現編集を可能にする。
  論文  参考訳（メタデータ） (2025-10-06T11:20:56Z)
• Attributes Shape the Embedding Space of Face Recognition Models [0.0]
  顔認識タスクはディープニューラルネットワークの出現によって大きな進歩を遂げた。 埋め込み空間に現れるマルチスケールな幾何学構造を観察する。 これらの属性に対するFRモデルの依存性や不変性を記述するための幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2025-07-15T14:44:39Z)
• OSDFace: One-Step Diffusion Model for Face Restoration [72.5045389847792]
  拡散モデルは、顔の修復において顕著な性能を示した。 顔復元のための新しいワンステップ拡散モデルOSDFaceを提案する。 その結果,OSDFaceは現状のSOTA(State-of-the-art)手法を視覚的品質と定量的指標の両方で上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-26T07:07:48Z)
• Dynamic Prototype Mask for Occluded Person Re-Identification [88.7782299372656]
  既存の手法では、目に見える部分を識別するために、余分なネットワークによって提供される身体の手がかりを利用することで、この問題に対処している。 2つの自己明快な事前知識に基づく新しい動的プロトタイプマスク(DPM)を提案する。 この条件下では、隠蔽された表現は、選択された部分空間において自然にうまく整列することができる。
  論文  参考訳（メタデータ） (2022-07-19T03:31:13Z)
• Learning Disentangled Representation for One-shot Progressive Face Swapping [92.09538942684539]
  ジェネレーティブ・アドバーサリアル・ネットワークに基づくワンショット・フェイススワップのためのシンプルで効率的なFaceSwapperを提案する。 提案手法は,不整合表現モジュールと意味誘導融合モジュールから構成される。 本手法は,トレーニングサンプルの少ないベンチマークデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2022-03-24T11:19:04Z)
• InterFaceGAN: Interpreting the Disentangled Face Representation Learned by GANs [73.27299786083424]
  我々は、最先端のGANモデルによって学習された不整合顔表現を解釈するInterFaceGANというフレームワークを提案する。 まず、GANは潜在空間の線型部分空間で様々な意味学を学ぶ。 次に、異なる意味論間の相関関係について詳細な研究を行い、部分空間射影を通してそれらをよりよく解離させる。
  論文  参考訳（メタデータ） (2020-05-18T18:01:22Z)

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。