Fugu-MT 論文翻訳(概要): SteerFace: Debiasing Synthetic Face Generation via Adaptive Residue Perturbation

論文の概要: SteerFace: Debiasing Synthetic Face Generation via Adaptive Residue Perturbation

arxiv url: http://arxiv.org/abs/2605.30894v1
Date: Fri, 29 May 2026 06:29:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-01 20:56:50.420395
Title: SteerFace: Debiasing Synthetic Face Generation via Adaptive Residue Perturbation
Title（参考訳）: SteerFace: 適応型残留摂動による合成顔生成の回避
Abstract要約: 本稿では, 視覚特性の非現実的傾向を示す合成データを用いて, 視覚的傾向を, 未探索の限界として認識する。視覚的傾向は、生成元がアイデンティティの埋め込みを条件付けしていることに起因し、その結果として、残余の視覚的手がかりが意図せずに学習されたアイデンティティセマンティクスに吸収される。本稿では,このような視覚的手法を駆使しないために,埋め込みハイパースフィア上のランダムな方向を向かわせてアイデンティティの埋め込みを妨害する,シンプルで効率的なトレーニングフレームワークであるSteerFaceを提案する。
参考スコア（独自算出の注目度）: 24.834863849265034
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The shortage of legally compliant data for face recognition training has sparked growing interest in using synthetic data as an alternative. While recent diffusion-based methods enable the generation of photorealistic face images with strong identity adherence and data diversity, their downstream recognition performance still exhibits a significant synthetic-real gap. This paper identifies visual tendency as a previously underexplored limitation, whereby synthetic data exhibit an unrealistic prevalence of visual attributes and thus deviate from the real-data distribution. Visual tendency can be attributed to the generator's conditioning on identity embeddings, through which co-occurring residual visual cues are unintentionally absorbed into learned identity semantics. To discourage the generator from exploiting such visual cues, this paper proposes SteerFace, a simple and efficient training framework that perturbs identity embeddings by steering them toward random orthogonal directions on the embedding hypersphere. The perturbation serves as an identity-preserving regularizer that penalizes the generator's reliance on non-identity components, as supported by theoretical analysis. This paper further introduces an adaptive strategy that learns perturbation strengths with both sample-wise preference and favorable overall statistics. Extensive experiments show that SteerFace effectively mitigates visual tendency, outperforms prior methods in downstream face recognition, and generalizes well across different training datasets and generation pipelines.
Abstract（参考訳）: 顔認識トレーニングに法的に準拠するデータが不足していることは、代替として合成データを使うことへの関心が高まっている。近年の拡散法により、強いアイデンティティとデータの多様性を持つフォトリアリスティックな顔画像を生成することができるが、下流認識性能は依然として顕著な合成現実のギャップを呈している。本稿では, 視覚特性の非現実的な頻度を示す合成データが, 実データ分布から逸脱する, 未探索の限界として視覚的傾向を識別する。視覚的傾向は、生成元がアイデンティティの埋め込みを条件付けしていることに起因し、その結果として、残余の視覚的手がかりが意図せずに学習されたアイデンティティセマンティクスに吸収される。本稿では,このような視覚的手がかりを活用することを防ぐために,埋め込みハイパースフィア上のランダムな直交方向に向けて操作することで,アイデンティティの埋め込みを妨害する,シンプルで効率的なトレーニングフレームワークであるSteerFaceを提案する。摂動は、理論解析によって支持されるように、発電機の非同一性成分への依存を罰するアイデンティティ保存正則化器として機能する。さらに,サンプルの選好と好意的な総合統計の両面から摂動強度を学習する適応戦略を提案する。大規模な実験により、SteerFaceは視覚的傾向を効果的に軽減し、下流の顔認識における先行手法より優れ、さまざまなトレーニングデータセットや生成パイプラインにわたってうまく一般化されていることが示されている。

関連論文リスト

Limitations of Synthetic Data Generation in Specialized Data-Scarce Domains [11.861117372710714]
この研究は、画像が一般的な画像データセットと大きく異なる領域に焦点を合わせ、追加のデータを取得するのにコストがかかる。生成スパースデータ拡張の2つの流派による下流性能改善の評価を行った。 5つのトラウマ分類課題において, 有意な非生成基線を常に上回る生成的アプローチは存在しない。
論文参考訳（メタデータ） (2026-08-13T19:43:31Z)
IdentiFace: Multi-Modal Iterative Diffusion Framework for Identifiable Suspect Face Generation in Crime Investigations [9.548761889081904]
我々は,IdentiFaceと呼ばれる,識別可能な被疑者顔生成のための新しい拡散型フレームワークを提案する。 IdentiFaceはID検索の点で既存の手法よりも優れた性能を示し、実用的な応用の可能性を示している。
論文参考訳（メタデータ） (2026-05-01T09:04:17Z)
IDperturb: Enhancing Variation in Synthetic Face Generation via Angular Perturbation [17.433921935288577]
合成データは、顔認識(FR)システムのトレーニングのための認証顔データセットの実用的な代替として登場した。アイデンティティ条件拡散モデルの最近の進歩は、フォトリアリスティックおよびアイデンティティ一貫性のある顔画像の生成を可能にしている。我々は,合成顔生成の多様性を高めるため,簡易かつ効果的な幾何駆動型サンプリング戦略であるIDPERTURBを提案する。
論文参考訳（メタデータ） (2026-02-21T13:23:26Z)
Beyond Inference Intervention: Identity-Decoupled Diffusion for Face Anonymization [55.29071072675132]
顔の匿名化は、非同一性属性を保持しながら、識別情報を隠蔽することを目的としている。トレーニング中心の匿名化フレームワークである textbfIDsuperscript2Face を提案する。 IDtextsuperscript2Faceは、視覚的品質、アイデンティティの抑制、ユーティリティ保存において、既存の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2025-10-28T09:28:12Z)
UIFace: Unleashing Inherent Model Capabilities to Enhance Intra-Class Diversity in Synthetic Face Recognition [42.86969216015855]
顔認識(FR)はコンピュータビジョンにおいて最も重要な応用の1つである。 UIFaceとして短縮された合成顔認識のためのクラス内多様性を高めるフレームワークを提案する。実験結果から,本手法は従来の手法に比べてトレーニングデータが少なく,合成データセットの約半分の規模で大幅に上回っていることがわかった。
論文参考訳（メタデータ） (2025-02-27T06:22:18Z)
Fairer Analysis and Demographically Balanced Face Generation for Fairer Face Verification [69.04239222633795]
顔認識と検証は、深層表現の導入によって性能が向上した2つのコンピュータビジョンタスクである。現実のトレーニングデータセットにおける顔データの繊細な性質とバイアスによる倫理的、法的、技術的な課題は、彼らの開発を妨げる。公平性を向上する新しい制御された生成パイプラインを導入する。
論文参考訳（メタデータ） (2024-12-04T14:30:19Z)
ID$^3$: Identity-Preserving-yet-Diversified Diffusion Models for Synthetic Face Recognition [60.15830516741776]
合成顔認識(SFR)は、実際の顔データの分布を模倣するデータセットを生成することを目的としている。拡散燃料SFRモデルであるtextID3$を紹介します。 textID3$はID保存損失を利用して、多様だがアイデンティティに一貫性のある顔の外観を生成する。
論文参考訳（メタデータ） (2024-09-26T06:46:40Z)
The Impact of Balancing Real and Synthetic Data on Accuracy and Fairness in Face Recognition [10.849598219674132]
人口統計学的にバランスのとれた認証データと合成データとが、顔認識モデルの精度と公正性に与える影響について検討した。本研究は,I とI,I,I,I,I,I,I,I,I,I,I,I,I,I,I,I,I,E,,,,,I,,,,,,
論文参考訳（メタデータ） (2024-09-04T16:50:48Z)
Toward Fairer Face Recognition Datasets [69.04239222633795]
顔認識と検証は、ディープ表現の導入によってパフォーマンスが向上したコンピュータビジョンタスクである。実際のトレーニングデータセットにおける顔データとバイアスのセンシティブな性格による倫理的、法的、技術的な課題は、彼らの開発を妨げる。生成されたトレーニングデータセットに階層属性のバランス機構を導入することにより、公平性を促進する。
論文参考訳（メタデータ） (2024-06-24T12:33:21Z)
Bias and Diversity in Synthetic-based Face Recognition [12.408456748469426]
合成顔認証データセットの多様性が、真正なデータセットとどのように比較されるかを検討する。性別、民族、年齢、地位の分布に注目します。バイアスに関しては、合成ベースモデルが真ベースモデルと類似したバイアス挙動を持っていることが分かる。
論文参考訳（メタデータ） (2023-11-07T13:12:34Z)
Segue: Side-information Guided Generative Unlearnable Examples for Facial Privacy Protection in Real World [64.4289385463226]
生成不可能な例としては、Segue: Side-information guided Generative unlearnable Exampleを提案する。転送性を向上させるために,真のラベルや擬似ラベルなどの側面情報を導入する。 JPEG圧縮、敵対的トレーニング、およびいくつかの標準的なデータ拡張に抵抗することができる。
論文参考訳（メタデータ） (2023-10-24T06:22:37Z)
Inductive Biased Estimation: Learning Generalizations for Identity Transfer [64.4487809928537]
本稿では、適切な一般化の学習を促すために、Errors-in-Variables Adapter (EVA)モデルを提案する。ポーズ,表現,背景要因の観点で,対象の顔と対象の状況とをよりよく一致させるため,対象の状況が対象の身元に及ぼす影響をモデル化する。
論文参考訳（メタデータ） (2021-10-04T17:10:30Z)

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。