論文の概要: Efficient, Validation-Free Intrinsic Quality Estimation for Large-Scale Face Recognition Datasets

• arxiv url: http://arxiv.org/abs/2605.29720v1
• Date: Thu, 28 May 2026 10:15:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.178637
• Title: Efficient, Validation-Free Intrinsic Quality Estimation for Large-Scale Face Recognition Datasets
• Title（参考訳）: 大規模顔認識データセットの効率的, 検証不要な固有品質推定
• Authors: Zhichao Chen, Yongle Zhao, Kaicheng Yang, Meng Yang, Yin Xie, Ziyong Feng,
• Abstract要約: Intrinsic Quality (IQ) は、顔認識(FR)データセットの固有ポテンシャルを推定するための検証不要な指標である。 IQは2つのコンポーネントを統合している: (i) 隣人によるローカルIDラベルの合意を定量化するNeighbor-Consistency Score、 (ii) グローバル表現部分空間複雑性 (Effective Rank, ER)。 本稿では, クリーニング, ノイズ, 混合品質のFRデータセットに適した実験用プロトコルについて述べるとともに, 下流性能に対するIQの予測能力を評価するための評価手法について概説する。
• 参考スコア（独自算出の注目度）: 11.287672019347646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose Intrinsic Quality (IQ), a validation-free metric designed to estimate the inherent potential of face recognition (FR) datasets to produce high-performance models without the need for full-scale training. IQ integrates two components: (i) a Neighbor-Consistency Score that quantifies local identity label agreement via nearest neighbors, and (ii) Global Representation Subspace Complexity (Effective Rank, ER), which captures the underlying embedding geometry and dataset diversity. IQ allows for rapid evaluation using lightweight proxy models or data subsets, facilitating dataset diagnosis and curation prior to resource-intensive full-scale training. We describe an experimental protocol tailored to clean, noisy, and mixed-quality FR datasets, and outline evaluation methodologies to validate IQ's predictive power for downstream performance.
• Abstract（参考訳）: Intrinsic Quality (IQ) は、顔認識(FR)データセットの本質的なポテンシャルを推定し、フルスケールのトレーニングを必要とせずに高性能なモデルを生成するための検証不要な指標である。 IQは2つのコンポーネントを統合する。 一 隣人による地域同一性表示契約を定量化する隣人一致スコア及び (II)グローバル表現部分空間複雑度(Effective Rank, ER)は,基礎となる埋め込み幾何学とデータセットの多様性を捉える。 IQは軽量なプロキシモデルやデータサブセットを使用した迅速な評価を可能にし、リソース集約的なフルスケールトレーニングの前にデータセットの診断とキュレーションを容易にする。 本稿では, クリーニング, ノイズ, 混合品質のFRデータセットに適した実験用プロトコルについて述べるとともに, 下流性能に対するIQの予測能力を評価するための評価手法について概説する。

関連論文リスト

• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• AgenticIQA: An Agentic Framework for Adaptive and Interpretable Image Quality Assessment [69.06977852423564]
  画像品質評価(IQA)は、人間の視覚系に根ざした知覚品質の定量化と解釈の両方を反映している。 AgenticIQAは、IQAを歪み検出、歪み解析、ツール選択、ツール実行の4つのサブタスクに分解する。 本稿では,IQAエージェントに適した大規模命令データセットであるAgenticIQA-200Kと,VLMベースのIQAエージェントの計画,実行,要約機能を評価するための最初のベンチマークであるAgenticIQA-Evalを紹介する。
  論文  参考訳（メタデータ） (2025-09-30T09:37:01Z)
• Dynamic-KGQA: A Scalable Framework for Generating Adaptive Question Answering Datasets [9.785129730843435]
  知識グラフから適応的なQAデータセットを生成するスケーラブルなフレームワークであるDynamic-KGQAを紹介する。 固定ベンチマークとは異なり、Dynamic-KGQAは、基盤となるディストリビューションを保持しながら、実行毎に新しいデータセットバリアントを生成する。 Dynamic-KGQAは、KGQAモデルのトレーニングと評価を容易にするコンパクトでセマンティックなコヒーレントなサブグラフを生成する。
  論文  参考訳（メタデータ） (2025-03-06T23:58:01Z)
• Few-Shot Image Quality Assessment via Adaptation of Vision-Language Models [93.91086467402323]
  Gradient-Regulated Meta-Prompt IQA Framework (GRMP-IQA) は、視覚言語事前学習モデルのCLIPをIQAタスクに効率よく適応させるように設計されている。 GRMP-IQAは、 (i) Meta-Prompt 事前学習モジュールと (ii) Quality-Aware Gradient Regularization の2つのコアモジュールから構成される。
  論文  参考訳（メタデータ） (2024-09-09T07:26:21Z)
• No-Reference Image Quality Assessment with Global-Local Progressive Integration and Semantic-Aligned Quality Transfer [6.095342999639137]
  視覚変換器(ViT)を用いたグローバル特徴抽出器と畳み込みニューラルネットワーク(CNN)を用いた局所特徴抽出器を組み合わせた二重測定フレームワークを開発した。 多様な画像コンテンツの品質スコアを主観的な意見スコアで自動的にラベル付けすることで、トレーニングデータを拡張するセマンティック・アライン・クオリティ・トランスファー手法を提案する。
  論文  参考訳（メタデータ） (2024-08-07T16:34:32Z)
• Image Quality Assessment: Integrating Model-Centric and Data-Centric Approaches [20.931709027443706]
  画像品質評価(IQA)は過去10年間で著しく進歩している。 ほぼ全員が、モデルとデータという2つの重要なコンポーネントを独立して考えています。
  論文  参考訳（メタデータ） (2022-07-29T16:23:57Z)
• Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
  データ管理の統合コンポーネントにおける公平性について検討する。 本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-10T20:20:10Z)

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。