論文の概要: Lightweight Cross-Spectral Face Recognition via Contrastive Alignment and Distillation

• arxiv url: http://arxiv.org/abs/2605.04769v1
• Date: Wed, 06 May 2026 11:16:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.791735
• Title: Lightweight Cross-Spectral Face Recognition via Contrastive Alignment and Distillation
• Title（参考訳）: コントラストアライメントと蒸留による軽量クロススペクトル顔認識
• Abstract要約: Heterogeneous Face Recognition (HFR) は、異なる知覚モードで撮影された顔画像のマッチングを目的としている。 本稿では,ハイブリッドCNN-Transformerモデルを適用することで,軽量かつ効果的なHFRフレームワークを提案する。 提案手法は,少ないペアの異種データしか持たない効率的なエンドツーエンドトレーニングを実現する。
• 参考スコア（独自算出の注目度）: 6.690084812573466
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Heterogeneous Face Recognition (HFR) aims at matching face images captured across different sensing modalities, such as thermal-to-visible or near-infrared-to-visible, enhancing the usability of face recognition systems in challenging real-world conditions. Although recent HFR methods have achieved significant improvements in performance, many rely on computationally expensive models, making them impractical for deployment on resource-limited edge devices. In this work, we introduce a lightweight yet effective HFR framework by adapting a hybrid CNN-Transformer model originally developed for RGB homogeneous face recognition. Our approach enables efficient end-to-end training with only a small amount of paired heterogeneous data, while still maintaining strong performance on standard RGB face recognition benchmarks. This makes it suitable for both homogeneous and heterogeneous settings. Comprehensive experiments on several challenging HFR and face recognition benchmarks show that our method achieves state-of-the-art or competitive performance while keeping computational requirements low.
• Abstract（参考訳）: Heterogeneous Face Recognition (HFR) は、熱可視や近赤外可視などの様々なセンシングモードで捉えた顔画像のマッチングを目的としており、現実世界の状況に挑戦する顔認識システムのユーザビリティを高めることを目的としている。 近年のHFR法は性能が大幅に改善されているが、多くは計算コストのかかるモデルに依存しており、リソース制限されたエッジデバイスへの展開には実用的ではない。 本稿では,RGBと同質な顔認識のために開発されたハイブリッドCNN-Transformerモデルを適用することで,軽量かつ効果的なHFRフレームワークを提案する。 提案手法は,通常のRGB顔認証ベンチマークでは高い性能を維持しつつ,少量の異種データのみを用いて,効率的なエンドツーエンドトレーニングを実現する。 これにより、均質な設定と異質な設定の両方に適合する。 いくつかの難解なHFRと顔認識ベンチマークに関する総合的な実験により、我々の手法は、計算要求を低く保ちながら、最先端または競争的な性能を達成することを示した。

関連論文リスト

• SynThermFace: Amplifying Limited Paired Data for Visible-Thermal Face Recognition via Synthetic Data Generation [5.952563476824616]
  クロススペクトル顔認識は、低照度、夜間、および非拘束条件における性能を向上させる。 そこで我々はSynThermFaceを提案する。SynThermFaceは、より大規模なペア適応データセットに制限された実際の可視熱監視を増幅するフレームワークである。
  論文  参考訳（メタデータ） (2026-09-09T15:15:04Z)
• xEdgeFace: Efficient Cross-Spectral Face Recognition for Edge Devices [4.910937238451485]
  Heterogeneous Face Recognition (HFR) は、異なる知覚モードにわたる顔画像のマッチングという課題に対処する。 ハイブリッドCNN-Transformerアーキテクチャを適用し,軽量かつ効果的なHFRフレームワークを提案する。 提案手法は,RGBの顔認識タスクにおいて高い性能を保ちながら,最小対の異種データを用いた効率的なエンドツーエンドトレーニングを実現する。
  論文  参考訳（メタデータ） (2025-04-28T10:03:11Z)
• Diffusion Prior Interpolation for Flexibility Real-World Face Super-Resolution [48.34173818491552]
  拡散事前補間(DPI)は、一貫性と多様性のバランスをとることができ、事前訓練されたモデルにシームレスに統合することができる。 合成および実データに対して行われた広範な実験において、DPIはSOTA FSR法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-12-21T09:28:44Z)
• Heterogeneous Face Recognition Using Domain Invariant Units [4.910937238451485]
  教師ネットワークとして事前訓練された顔認識モデルを用いてドメイン不変ネットワーク層(DIU)を学習する。 提案したDIUは、対照的な蒸留フレームワークを用いて、限られた量のペアトレーニングデータでも効果的に訓練することができる。 提案手法は、事前訓練されたモデルを強化する可能性があり、より広い範囲のデータに適応できる。
  論文  参考訳（メタデータ） (2024-04-22T16:58:37Z)
• Confidence-Aware RGB-D Face Recognition via Virtual Depth Synthesis [48.59382455101753]
  2D顔認証は、照明、閉塞、ポーズの変化により、制約のない環境において課題に遭遇する。 近年の研究では、深度情報を組み込んだRGB-D顔認証に焦点が当てられている。 本研究では,まず,深度モデル事前学習のための3次元Morphable Modelsによって生成された多様な深度データセットを構築する。 そこで本研究では,手軽に利用できるRGBと深度モデルを利用したドメイン非依存の事前学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-11T09:12:24Z)
• Rethinking the Domain Gap in Near-infrared Face Recognition [65.7871950460781]
  不均一顔認識(HFR)は、視覚領域(VIS)と近赤外領域(NIR)にまたがる複雑な顔画像マッチング作業を伴う。 HFRに関する既存の文献の多くは、ドメインギャップを主要な課題と認識し、それを入力レベルまたは機能レベルでブリッジする取り組みを指示している。 大規模同質なVISデータで事前トレーニングを行った場合、大規模ニューラルネットワークはより小さなニューラルネットワークとは異なり、HFRでは例外的なゼロショット性能を示す。
  論文  参考訳（メタデータ） (2023-12-01T14:43:28Z)
• Physically-Based Face Rendering for NIR-VIS Face Recognition [165.54414962403555]
  近赤外(NIR)と可視(VIS)の顔マッチングは、大きなドメインギャップのために困難である。 NIR-VIS対顔画像生成のための新しい手法を提案する。 アイデンティティ特徴学習を容易にするために,IDentityに基づく最大平均離散性(ID-MMD)損失を提案する。
  論文  参考訳（メタデータ） (2022-11-11T18:48:16Z)
• Heterogeneous Face Recognition via Face Synthesis with Identity-Attribute Disentanglement [33.42679052386639]
  Heterogeneous Face Recognition (HFR)は、異なるドメインの顔にマッチすることを目的としている。 FSIAD (Face Synthesis with Identity-Attribute Disentanglement) という新しいHFR手法を提案する。 FSIADは顔画像をアイデンティティ関連表現とアイデンティティ非関連表現(属性と呼ばれる)に分離する
  論文  参考訳（メタデータ） (2022-06-10T03:01:33Z)
• Blind Face Restoration: Benchmark Datasets and a Baseline Model [63.053331687284064]
  Blind Face Restoration (BFR) は、対応する低品質 (LQ) 入力から高品質 (HQ) の顔画像を構築することを目的としている。 EDFace-Celeb-1M (BFR128) と EDFace-Celeb-150K (BFR512) と呼ばれる2つのブラインドフェイス復元ベンチマークデータセットを最初に合成する。 最先端の手法は、ブラー、ノイズ、低解像度、JPEG圧縮アーティファクト、それらの組み合わせ(完全な劣化)の5つの設定でベンチマークされる。
  論文  参考訳（メタデータ） (2022-06-08T06:34:24Z)
• Escaping Data Scarcity for High-Resolution Heterogeneous Face Hallucination [68.78903256687697]
  Heterogeneous Face Recognition (HFR) では、視覚や熱といった2つの異なる領域にまたがる顔のマッチングが目的である。 合成によるギャップを埋めようとする最近の手法は有望な結果を得たが、ペアトレーニングデータの不足により、その性能は依然として制限されている。 本稿では,HFRのための新しい顔幻覚パラダイムを提案する。これはデータ効率のよい合成を可能にするだけでなく,プライバシポリシーを破ることなくモデルトレーニングのスケールアップを可能にする。
  論文  参考訳（メタデータ） (2022-03-30T20:44:33Z)

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。