論文の概要: FunFace: Feature Utility and Norm Estimation for Face Recognition

• arxiv url: http://arxiv.org/abs/2604.26598v1
• Date: Wed, 29 Apr 2026 12:28:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.392652
• Title: FunFace: Feature Utility and Norm Estimation for Face Recognition
• Title（参考訳）: FunFace: 顔認識のための特徴ユーティリティとノーム推定
• Authors: Žiga Babnik, Fadi Boutros, Naser Damer, Deepak Kumar Jain, Peter Peer, Vitomir Štruc,
• Abstract要約: 顔認識(FR)は、エンターテイメントや銀行、セキュリティ、監視など、さまざまなアプリケーションドメインで使用されている。 本稿では,Certainty Ratioによって推定されるバイオメトリック・ユーティリティを適応的マージンに組み込んだ新たなアダプティブ・マージン損失FunFaceを提案する。 FunFaceは、高品質のサンプルを含むベンチマークで、他の最先端FRモデルと競合し、低品質のベンチマークではそれらを上回っている。
• 参考スコア（独自算出の注目度）: 18.869940706289807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Face Recognition (FR) is used in a variety of application domains, from entertainment and banking to security and surveillance. Such applications rely on the FR model to be robust and perform well in a variety of settings. To achieve this, state-of-the-art FR models typically use expressive adaptive margin loss functions, which tie the feature norm to concepts related to sample quality, such as recognizability and perceptual image quality. Recently, through the development of Face Image Quality Assessment (FIQA) techniques, biometric utility has become the preferred measure of face-image quality and has been shown to be a better predictor of the usefulness of samples for face recognition compared to more human-centric aspects, such as resolution, blur, and lighting, tied to general image quality. While image quality expressed through feature norms exhibits a certain level of correlation with biometric utility, it does not fully encapsulate all aspects of utility. To address this point, we propose a new adaptive margin loss, FunFace (Face Recognition Through Utility and Norm Estimation), which incorporates biometric utility, estimated by the Certainty Ratio, into the adaptive margin, taking inspiration from AdaFace. We show that FunFace (when used to train a face recognition model) achieves competitive results to other state-of-the-art FR models on benchmarks containing high-quality samples, while surpassing them on low quality benchmarks.
• Abstract（参考訳）: 顔認識(FR)は、エンターテイメントや銀行、セキュリティ、監視など、さまざまなアプリケーションドメインで使用されている。 このようなアプリケーションはFRモデルに依存して堅牢で、様々な設定でうまく機能する。 これを実現するために、最先端のFRモデルでは、通常、適応的マージン損失関数を用いて、特徴ノルムを、認識可能性や知覚的画像品質といった、サンプル品質に関する概念に結びつける。 近年,顔画像品質評価技術 (FIQA) の開発により,バイオメトリック・ユーティリティが顔画像品質の指標として好まれるようになり,一般的な画像品質と結びついた解像度,ぼやけ,照明といった,より人間中心的な側面と比較して,顔認識におけるサンプルの有用性の予測に有効であることが示されている。 特徴ノルムによって表現される画像品質は、バイオメトリック・ユーティリティと一定のレベルの相関を示すが、ユーティリティのすべての側面を完全にカプセル化していない。 そこで本研究では,AdaFaceからインスピレーションを得て,Certainty Ratioによって推定されるバイオメトリック・ユーティリティをアダプティブ・マージンに組み込んだ,新たなアダプティブ・マージン・ロスFunFace (Face Recognition Through Utility and Norm Estimation)を提案する。 本研究では,FunFace(顔認識モデルのトレーニングに使用した)が,高品質なサンプルを含むベンチマークにおいて,他の最先端FRモデルと競合する結果を得るとともに,低品質なベンチマークではFunFaceよりも優れていることを示す。

関連論文リスト

• Causal Disentanglement for Full-Reference Image Quality Assessment [21.96346718260435]
  本稿では,因果推論と疎結合表現学習に基づく新しいFR-IQAパラダイムを提案する。 本手法は,潜在表現への介入によって導かれる因果解離過程として劣化推定を定式化する。 本手法は, 完全教師付き, ラベルなし, ラベルなしの標準IQAベンチマークにおいて, 高い競合性能を実現する。
  論文  参考訳（メタデータ） (2026-04-23T13:18:13Z)
• Surveillance Facial Image Quality Assessment: A Multi-dimensional Dataset and Lightweight Model [59.39390911456143]
  監視顔画像品質評価(SFIQA)に関する初の総合的研究を提案する。 SFIQA-Benchは、現実世界のシナリオで3つの広く配備された監視カメラによって撮影された5,004枚の監視顔画像で構成されている。 ノイズ、シャープネス、カラフルネス、コントラスト、忠実度、全体的な品質を含む6次元品質評価を主観的な実験により収集する。
  論文  参考訳（メタデータ） (2026-02-07T06:51:03Z)
• F-Bench: Rethinking Human Preference Evaluation Metrics for Benchmarking Face Generation, Customization, and Restoration [52.58634726389668]
  我々は、人間の好みを反映したきめ細かい品質アノテーションを備えたAI生成顔画像の大規模かつ包括的なデータベースFaceQを紹介する。 FaceQデータベースは、(1)顔生成、(2)顔のカスタマイズ、(3)顔の復元という3つのタスクで29のモデルで生成された12,255のイメージで構成されている。 180のアノテータから32,742の平均世論スコア(MOS)が含まれており、品質、信頼性、IDの忠実さ、テキスト画像の対応性など多岐にわたって評価されている。
  論文  参考訳（メタデータ） (2024-12-17T18:28:48Z)
• Rank-based No-reference Quality Assessment for Face Swapping [88.53827937914038]
  顔スワップ法における品質測定の基準は、操作された画像とソース画像の間のいくつかの距離に依存する。 顔スワップ用に設計された新しい非参照画像品質評価法(NR-IQA)を提案する。
  論文  参考訳（メタデータ） (2024-06-04T01:36:29Z)
• AdaFace: Quality Adaptive Margin for Face Recognition [56.99208144386127]
  本稿では、損失関数、すなわち画像品質における適応性の別の側面を紹介する。 そこで本稿では,画像品質に基づいて異なる難易度を示す新たな損失関数を提案する。 提案手法は,4つのデータセット上でのSoTA(State-of-the-art)による顔認識性能を向上させる。
  論文  参考訳（メタデータ） (2022-04-03T01:23:41Z)
• QMagFace: Simple and Accurate Quality-Aware Face Recognition [5.5284501467256515]
  本稿では,QMag-Face(QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face)を提案する。 いくつかの顔認識データベースとベンチマークで実施された実験は、導入された品質認識が認識性能を一貫した改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-11-26T12:44:54Z)
• Pixel-Level Face Image Quality Assessment for Explainable Face Recognition [5.858033242850427]
  認識のための顔画像における画素の有効性を決定する画素レベルの顔画像品質の概念を導入する。 本研究では,任意の顔認識ネットワークが与えられた場合,顔画像の画素レベルの品質を評価するためのトレーニング不要なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-21T09:12:17Z)
• Cross-Quality LFW: A Database for Analyzing Cross-Resolution Image Face Recognition in Unconstrained Environments [8.368543987898732]
  現実世界の顔認識アプリケーションは、異なるキャプチャ条件のために、最適な画像の品質や解像度を扱うことが多い。 最近のクロスレゾリューション顔認識手法は、画像品質における現実のエッジケースとの距離を測定するために、単純で任意で非現実的なダウンスケールとアップスケーリングの手法を用いている。 本稿では,Wildにおける有名なラベル付き顔から派生した,新しい標準ベンチマークデータセットと評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2021-08-23T17:04:32Z)
• Inducing Predictive Uncertainty Estimation for Face Recognition [102.58180557181643]
  顔画像の「マッドペア」から画像品質訓練データを自動的に生成する手法を提案する。 生成したデータを用いて、顔画像の信頼度を推定するために、PCNetと呼ばれる軽量な予測信頼ネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-09-01T17:52:00Z)

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。