論文の概要: DiverAge: Reliable Pluralistic Face Aging with Cross-Age Identity Relation Guidance

• arxiv url: http://arxiv.org/abs/2606.04881v1
• Date: Tue, 02 Jun 2026 13:39:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.787104
• Title: DiverAge: Reliable Pluralistic Face Aging with Cross-Age Identity Relation Guidance
• Title（参考訳）: DiverAge: クロスエイジ・アイデンティティ・リレーション・ガイダンスによる信頼性の高い多元的顔の老化
• Authors: Yueying Zou, Peipei Li, Qianrui Teng, Dianyan Xu, Zekun Li,
• Abstract要約: 顔の老化は、長期的なバイオメトリック分析、クロスエイジのアイデンティティ検証、および法医学的アイデンティティ分析において重要な役割を担っている。 既存の決定論的老化法は、視覚的にプラウジブルな年齢差のある顔を合成することができるが、通常は多様性を欠いている。 拡散自動符号化に基づく階層型多元性顔老化フレームワークである textbfDiverAge を提案する。
• 参考スコア（独自算出の注目度）: 6.349352455259922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Face aging plays an important role in long-term biometric analysis, cross-age identity verification, and forensic identity analysis. Since the same subject may exhibit multiple plausible appearances at a target age due to genetic, environmental, and lifestyle factors, face aging is inherently a one-to-many generation problem. However, pluralism alone is insufficient for reliable face aging: a model should provide appearance-level candidate diversity within each age group while maintaining sequence-level ordinal reliability across ordered age groups. Existing deterministic aging methods can synthesize visually plausible age-progressed faces, but usually lack stochastic diversity. In contrast, pluralistic aging methods introduce local appearance variations, but often fail to explicitly regulate the identity evolution of the full aging sequence. In this paper, we propose \textbf{DiverAge}, a hierarchical pluralistic face aging framework based on diffusion autoencoding. DiverAge preserves appearance-level diversity through stochastic diffusion decoding and age-conditioned semantic modulation. To improve sequence-level reliability, we introduce a Cross-age Identity Relation Regulator (CARR), an inference-time guidance strategy that jointly denoises multiple target age groups. CARR is guided by a Cross-age Identity Similarity (CIS) prior estimated from real same-identity cross-age pairs, and suppresses excessive cross-age identity drift through one-sided sampling-time guidance without modifying the training objective or introducing extra trainable parameters. Experiments demonstrate that DiverAge improves sequence-level ordinal reliability while maintaining identity preservation, age accuracy, image quality, and appearance-level diversity.
• Abstract（参考訳）: 顔の老化は、長期的なバイオメトリック分析、クロスエイジのアイデンティティ検証、および法医学的アイデンティティ分析において重要な役割を担っている。 同じ被験者は、遺伝的、環境的、ライフスタイル上の要因により、ターゲット年齢で複数のもっともらしい外観を示す可能性があるため、顔の老化は本質的に1対多の世代問題である。 しかし、顔の老化には多元性だけでは不十分であり、各年齢群に出現レベル候補の多様性を提供するとともに、順序レベル順序の信頼性を維持する必要がある。 既存の決定論的老化法は、視覚的にプラウジブルな年齢差のある顔を合成することができるが、通常は確率的多様性を欠いている。 対照的に、多元的老化法は局所的な外観変化をもたらすが、完全な老化系列のアイデンティティ進化を明示的に制御することができないことが多い。 本稿では拡散自動符号化に基づく階層型多元的顔老化フレームワークである \textbf{DiverAge} を提案する。 DiverAgeは確率拡散復号法と年齢条件のセマンティック変調により外観レベルの多様性を保っている。 シーケンスレベルの信頼性を向上させるために、複数のターゲット年齢グループを共同で識別する推論時ガイダンス戦略であるクロスエイジ・アイデンティティ・リレーション・レギュレータ(CARR)を導入する。 CARRは、実際の同一人物対から推定されるクロスエイジ・アイデンティティ・類似性(CIS)によって誘導され、トレーニング目標を変更したり、余分なトレーニング可能なパラメータを導入することなく、一方的なサンプリングタイムガイダンスを通じて過剰なクロスエイジ・アイデンティティ・ドリフトを抑制する。 実験により、DiverAgeは、アイデンティティの保存、年齢の正確性、画質、外観レベルの多様性を維持しながら、シーケンスレベルの順序の信頼性を向上させることが示された。

関連論文リスト

• WithAnyone: Towards Controllable and ID Consistent Image Generation [83.55786496542062]
  アイデンティティ・一貫性・ジェネレーションは、テキスト・ツー・イメージ研究において重要な焦点となっている。 マルチパーソンシナリオに適した大規模ペアデータセットを開発する。 本稿では,データと多様性のバランスをとるためにペアデータを活用する,対照的なアイデンティティ損失を持つ新たなトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-16T17:59:54Z)
• ConsistentID: Portrait Generation with Multimodal Fine-Grained Identity Preserving [64.90148669690228]
  ConsistentIDは、微細なマルチモーダル顔のプロンプト下での多彩な画像生成のための革新的な手法である。 我々は、50万以上の顔画像を持つ、きめ細かいポートレートデータセットFGIDを提示し、既存の顔データセットよりも多様性と包括性を提供する。
  論文  参考訳（メタデータ） (2024-04-25T17:23:43Z)
• Diverse and Lifespan Facial Age Transformation Synthesis with Identity Variation Rationality Metric [12.438204529412706]
  人間の顔にディバース・ライフスパン・エイジ・トランスフォーメーションを実現するために、$rmDLATboldsymbol+$を導入する。 モデルに埋め込まれた多様性のメカニズムとは別に、複数の一貫性の制限が活用され、反ファクト的な老化合成を防ぐことができる。
  論文  参考訳（メタデータ） (2024-01-25T09:26:08Z)
• Pluralistic Aging Diffusion Autoencoder [63.50599304294062]
  顔の老化は、複数のプラプシブルな老化パターンが与えられた入力に対応する可能性があるため、不適切な問題である。 本稿では,CLIP駆動型多言語時効拡散オートエンコーダを提案する。
  論文  参考訳（メタデータ） (2023-03-20T13:20:14Z)
• Continuous Face Aging Generative Adversarial Networks [11.75204350455584]
  顔の老化は、入力画像の顔を指定された年齢に翻訳することを目的としたタスクです。 それまでの方法は、それぞれが10年からなる離散年齢群を生成できるだけに限られていた。 CFA-GAN (Continuous face aging generative adversarial Network) を提案する。
  論文  参考訳（メタデータ） (2021-02-26T06:22:25Z)
• PFA-GAN: Progressive Face Aging with Generative Adversarial Network [19.45760984401544]
  本論文では,PFA-GANを基盤とした新しい顔老化フレームワークを提案する。 このフレームワークは、蓄積されたアーティファクトと曖昧さを取り除くために、エンドツーエンドでトレーニングすることができる。 実験により,既存の (c) GANs 法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-12-07T05:45:13Z)
• Age Gap Reducer-GAN for Recognizing Age-Separated Faces [72.26969872180841]
  本稿では,年齢変化に伴う顔と時間変化をマッチングする新しいアルゴリズムを提案する。 提案手法は,顔の年齢推定と年齢別顔の検証を組み合わせた統合フレームワークである。
  論文  参考訳（メタデータ） (2020-11-11T16:43:32Z)

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。