Fugu-MT 論文翻訳(概要): PreFIQs: Face Image Quality Is What Survives Pruning

論文の概要: PreFIQs: Face Image Quality Is What Survives Pruning

arxiv url: http://arxiv.org/abs/2605.13396v1
Date: Wed, 13 May 2026 11:53:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-14 23:30:28.023526
Title: PreFIQs: Face Image Quality Is What Survives Pruning
Title（参考訳）: PreFIQs:顔のクオリティはプルーニングが生き残る
Abstract要約: 顔画像品質評価(FIQA)は、顔認識(FR)システムにおける顔画像の有用性を評価する。本稿では,Pruning Identified Exemplar (PIE)仮説に基づく,教師なしかつトレーニング不要なFIQAフレームワークであるPreFIQを提案する。
参考スコア（独自算出の注目度）: 16.816233054026103
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Face Image Quality Assessment (FIQA) evaluates the utility of a face image for automated face recognition (FR) systems. In this work, we propose PreFIQs, an unsupervised and training-free FIQA framework grounded in the Pruning Identified Exemplar (PIE) hypothesis. We hypothesize that low-utility face images rely disproportionately on fragile network parameters, resulting in larger geometric displacement of their embeddings under model sparsification. Accordingly, PreFIQs quantifies image utility as the Euclidean distance between L2-normalized embeddings extracted from a pre-trained FR model and its pruned counterpart. We provide a first-order theoretical justification via a Jacobian-vector product analysis, demonstrating that this empirical drift serves as a computationally efficient approximation of the exact geometric sensitivity of the latent embedding manifold. Extensive experiments across eight benchmarks and four FR models demonstrate that PreFIQs achieves competitive or superior performance compared to state-of-the-art FIQA methods, including establishing new state-of-the-art results on several benchmarks, without any training or supervision. These results validate parameter sparsification as a principled and practically efficient signal for face image utility, and demonstrate that quality is, in essence, what survives pruning.
Abstract（参考訳）: 顔画像品質評価(FIQA)は、顔認識(FR)システムにおける顔画像の有用性を評価する。本研究では,Pruning Identified Exemplar (PIE)仮説に基づく教師なしおよびトレーニング不要なFIQAフレームワークであるPreFIQを提案する。我々は,低実用性顔画像は脆弱なネットワークパラメータに不均衡に依存していると仮定し,モデルスパシフィケーション下での埋め込みの幾何的変位が大きいと仮定した。したがって、PreFIQは、事前訓練されたFRモデルから抽出されたL2正規化埋め込みと、その刈り取られた埋め込みとのユークリッド距離として画像の有用性を定量化する。我々は、ヤコビアンベクトル積解析による一階理論的正当性を提供し、この経験的ドリフトが、潜在埋め込み多様体の正確な幾何学的感度の計算学的に効率的な近似であることを示す。 8つのベンチマークと4つのFRモデルにわたる大規模な実験により、PreFIQは、訓練や監督なしに、いくつかのベンチマークで新しい最先端の結果を確立することを含む、最先端のFIQA手法と比較して、競争力または優れた性能を達成することを示した。これらの結果は、顔画像ユーティリティの原理的かつ実用的な信号としてパラメータスペーシフィケーションを検証し、品質が本質的にはプルーニングの生き残りであることを実証する。

関連論文リスト

FunFace: Feature Utility and Norm Estimation for Face Recognition [18.869940706289807]
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。
論文参考訳（メタデータ） (2026-04-29T12:28:27Z)
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)
Q-DeepSight: Incentivizing Thinking with Images for Image Quality Assessment and Refinement [58.15004031934379]
我々は、この人間のようなプロセスをエミュレートする思考とイメージのフレームワークであるQ-DeepSightを提案する。 Q-DeepSightは、自然、復元、AI生成コンテンツなど、さまざまなベンチマークで最先端のパフォーマンスを実現している。本稿では,Q-DeepSight の診断が反復画像強調を導くトレーニングフリーフレームワークであるPerceptual-in-Generation (PiG) を用いて,その実用的価値を示す。
論文参考訳（メタデータ） (2026-04-18T06:10:57Z)
DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [73.6767681305851]
野生のブラインド画像品質評価(IQA)は重大な課題を呈している。大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
論文参考訳（メタデータ） (2024-05-30T12:32:35Z)
GraFIQs: Face Image Quality Assessment Using Gradient Magnitudes [9.170455788675836]
顔画像品質評価(FIQA)は、顔認識(FR)システムにおける顔画像の有用性を推定する。本研究では,事前学習したFRモデルの重量変化を検査し,顔画像の品質を評価する新しい手法を提案する。
論文参考訳（メタデータ） (2024-04-18T14:07:08Z)
When No-Reference Image Quality Models Meet MAP Estimation in Diffusion Latents [92.45867913876691]
非参照画像品質評価(NR-IQA)モデルは、知覚された画像品質を効果的に定量化することができる。 NR-IQAモデルは、画像強調のための最大後部推定(MAP)フレームワークにプラグイン可能であることを示す。
論文参考訳（メタデータ） (2024-03-11T03:35:41Z)
DifFIQA: Face Image Quality Assessment Using Denoising Diffusion Probabilistic Models [1.217503190366097]
顔画像品質評価(FIQA)技術は、これらの性能劣化を軽減することを目的としている。拡散確率モデル(DDPM)に基づく強力な新しいFIQA手法DifFIQAを提案する。拡散に基づく摂動は計算コストが高いため、DifFIQA(R)と呼ばれる回帰ベースの品質予測器にDifFIQAで符号化された知識を蒸留する。
論文参考訳（メタデータ） (2023-05-09T21:03:13Z)
CR-FIQA: Face Image Quality Assessment by Learning Sample Relative Classifiability [2.3624125155742055]
本稿では,学習過程における内部ネットワーク観測を学習する新しい学習パラダイムを提案する。提案するCR-FIQAは,このパラダイムを用いて,サンプルの顔画像品質を,その相対的分類可能性の予測により推定する。本研究では, 最先端(SOTA) FIQAアルゴリズムよりもCR-FIQAの方が優れていることを示す。
論文参考訳（メタデータ） (2021-12-13T12:18:43Z)
Learning Transformer Features for Image Quality Assessment [53.51379676690971]
本稿では,CNNバックボーンとトランスフォーマーエンコーダを用いて特徴抽出を行うIQAフレームワークを提案する。提案するフレームワークはFRモードとNRモードの両方と互換性があり、共同トレーニング方式が可能である。
論文参考訳（メタデータ） (2021-12-01T13:23:00Z)
Task-Specific Normalization for Continual Learning of Blind Image Quality Models [105.03239956378465]
視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
論文参考訳（メタデータ） (2021-07-28T15:21:01Z)
Perceptually Optimizing Deep Image Compression [53.705543593594285]
平均二乗誤差(MSE)と$ell_p$ノルムは、ニューラルネットワークの損失の測定で大きく支配されている。本稿では,定量的知覚モデルに対して,画像解析ネットワークを最適化するための異なるプロキシ手法を提案する。
論文参考訳（メタデータ） (2020-07-03T14:33:28Z)
Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and Wild [98.48284827503409]
我々は,テキスト化BIQAモデルを開発し,それを合成的および現実的歪みの両方で訓練するアプローチを提案する。我々は、多数の画像ペアに対してBIQAのためのディープニューラルネットワークを最適化するために、忠実度損失を用いる。 6つのIQAデータベースの実験は、実験室と野生動物における画像品質を盲目的に評価する学習手法の可能性を示唆している。
論文参考訳（メタデータ） (2020-05-28T13:35:23Z)

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。