Fugu-MT 論文翻訳(概要): H-Adapter: Pose-Robust Hairstyle Transfer via Attention-Derived, Source-Aligned Hair Masks

論文の概要: H-Adapter: Pose-Robust Hairstyle Transfer via Attention-Derived, Source-Aligned Hair Masks

arxiv url: http://arxiv.org/abs/2606.25578v1
Date: Wed, 24 Jun 2026 08:52:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-25 17:05:30.283502
Title: H-Adapter: Pose-Robust Hairstyle Transfer via Attention-Derived, Source-Aligned Hair Masks
Title（参考訳）: H-Adapter: 姿勢依存型、ソース対応型ヘアマスクによるポーズ・ローバスト・ヘアスタイル・トランスファー
Abstract要約: H-Adapterは、髪と非毛髪の目的を歪める領域特異的な損失で訓練することで、ポーズの堅牢性を向上させる。ポーズ非依存サブセットおよびポーズ微分サブセットの実験は、強い定量的結果を示す。我々は, VLM-as-a-judgeプロトコルを導入し, 髪型忠実度, 非毛髪保存, アーティファクト品質の連続的な向上を観察する。
参考スコア（独自算出の注目度）: 2.9567293946666173
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Hairstyle transfer has practical applications such as virtual try-on, yet remains challenging when the source and reference exhibit large head-pose discrepancies. We propose H-Adapter, which improves pose robustness by training with a region-specific loss that disentangles hair and non-hair objectives and thereby induces spatially disentangled cross-attention, from which a source-aligned hair edit mask is derived to guide diffusion-based inpainting. Experiments on pose-agnostic and pose-different subsets demonstrate strong quantitative results, including the best FID, $\mathrm{FID}_{\mathrm{CLIP}}$, and CLIP-I under pose differences, while maintaining competitive non-hair preservation and improving qualitative fidelity to fine-grained reference hairstyle details. Beyond source-conditioned transfer, H-Adapter supports practical extensions including text-to-image generation, auxiliary prompt-based hair color control, and compatibility with an identity-preserving IP-Adapter variant. We also introduce a VLM-as-a-judge protocol and observe consistent gains in hairstyle faithfulness, non-hair preservation, and artifact quality.
Abstract（参考訳）: ヘアスタイル転送は仮想試行のような実用的応用があるが、ソースと参照が大きな目的の相違を示す場合、依然として困難である。 H-Adapterは、髪と非毛髪の目的を歪ませる領域特異的な損失を訓練することにより、ポーズの堅牢性を向上し、したがって空間的に不絡み合いを誘発し、ソース整列型ヘア編集マスクを導出して拡散ベースの塗布を誘導する。 FID、$\mathrm{FID}_{\mathrm{CLIP}}$、CLIP-Iといったポーズ非依存サブセットの実験は、競合する非毛髪の保存を保ち、精細な基準髪型の細部まで質的忠実さを向上しながら、強い定量的結果を示した。ソース条件転送以外にも、H-Adapterはテキスト・ツー・イメージ生成、補助的なプロンプトベースのヘアカラー制御、IP-AdapterのID保存版との互換性など、実用的な拡張をサポートしている。また, VLM-as-a-judgeプロトコルを導入し, 髪型忠実度, 非毛髪保存性, アーティファクト品質の連続的な向上を観察する。

関連論文リスト

The Devil Is in the Leakage: A Disentangled Dual-Purification Framework for High-Fidelity Hairstyle Transfer [19.467144465203802]
ヘアスタイル転送は、ソースのアイデンティティを保ちながら、基準画像からソースの主題にヘアスタイルを移植することで、ポートレートを合成することを目的としている。近年の基盤モデルは、強力な生成能力を示すが、正確な局所編集に必要なゼロショット・アンタングルメントに苦慮している。本稿では,2つの相補的訓練時間正規化器を導入するDual-Purification Framework(DPF)を提案する。
論文参考訳（メタデータ） (2026-07-13T09:00:42Z)
Realistic and Efficient Face Swapping: A Unified Approach with Diffusion Models [69.50286698375386]
フェース・スワッピングのための拡散モデルを改善する新しい手法を提案する。インペイントトレーニング中にマスクシャッフル技術を導入し、スワップのためのいわゆるユニバーサルモデルを作成することができる。私たちのアプローチは比較的統一されたアプローチなので、他のオフザシェルフモデルのエラーに対して耐性があります。
論文参考訳（メタデータ） (2024-09-11T13:43:53Z)
What to Preserve and What to Transfer: Faithful, Identity-Preserving Diffusion-based Hairstyle Transfer [35.80645300182437]
既存の髪型移行アプローチはStyleGANに依存している。本稿では,現実のシナリオに適用可能な一段階のヘアスタイル転移拡散モデルであるHairFusionを提案する。本手法は, ヘアスタイルと周辺特性の整合性を維持する既存手法と比較して, 最先端性能を実現する。
論文参考訳（メタデータ） (2024-08-29T11:30:21Z)
Stable-Hair: Real-World Hair Transfer via Diffusion Model [26.880396643803998]
現在のヘアトランスファー手法は、多様で複雑なヘアスタイルを扱うのに苦労し、現実のシナリオにおける適用性を制限している。そこで本研究では,現実世界のヘアスタイルを仮想ヘアトライオンのためにユーザが提供する顔に堅牢に転送する,新しい拡散型ヘアトランスファーフレームワークであるtextitStable-Hairを提案する。
論文参考訳（メタデータ） (2024-07-19T07:14:23Z)
DiffFAE: Advancing High-fidelity One-shot Facial Appearance Editing with Space-sensitive Customization and Semantic Preservation [84.0586749616249]
本稿では,高忠実度顔画像編集に適した1段階かつ高効率な拡散ベースフレームワークDiffFAEを提案する。高忠実度クエリ属性転送には、空間感性物理カスタマイズ(SPC)を採用し、忠実度と一般化能力を保証している。ソース属性を保存するために、Regional-responsive Semantic Composition (RSC)を導入する。このモジュールは、切り離されたソースを無視する特徴を学習するためにガイドされ、髪、服、背景などの非顔的属性からアーティファクトを保存し緩和する。
論文参考訳（メタデータ） (2024-03-26T12:53:10Z)
HairCLIPv2: Unifying Hair Editing via Proxy Feature Blending [94.39417893972262]
HairCLIPは、テキスト記述や参照画像に基づいた毛髪編集を可能にする最初の作品である。本稿では,上述したすべてのインタラクションを一つの統一フレームワークでサポートすることを目的としたHairCLIPv2を提案する。鍵となるアイデアは、すべてのヘア編集タスクをヘア転写タスクに変換し、それに応じて編集条件を異なるプロキシに変換することである。
論文参考訳（メタデータ） (2023-10-16T17:59:58Z)
StyleGAN Salon: Multi-View Latent Optimization for Pose-Invariant Hairstyle Transfer [8.712040236361926]
本論文は、バーチャルヘアトライオンのために、参照画像のヘアスタイルを入力写真に転送することを目的とする。本稿では、参照合成の「2つの異なるビュー」を用いて、隠蔽領域や曖昧な領域を意味的にガイドする多視点最適化フレームワークを提案する。当社のフレームワークは,より難易度の高いヘアトランスファーシナリオからなるユーザスタディにおいて,高品質な結果が得られ,先行作業よりも優れています。
論文参考訳（メタデータ） (2023-04-05T20:49:55Z)
FaceDancer: Pose- and Occlusion-Aware High Fidelity Face Swapping [62.38898610210771]
そこで我々は,FaceDancerという顔のスワップとID転送のための新しい単一ステージ手法を提案する。アダプティブ・フィーチャー・フュージョン・アテンション(AFFA)と解釈的特徴類似性規則化(IFSR)の2つの主要なコントリビューションがある。
論文参考訳（メタデータ） (2022-10-19T11:31:38Z)
Style Your Hair: Latent Optimization for Pose-Invariant Hairstyle Transfer via Local-Style-Aware Hair Alignment [29.782276472922398]
本稿では,ポーズ不変なヘアスタイル転送モデルを提案する。提案モデルでは,より大きなポーズの違い下で髪型を転写し,局所的な髪型テクスチャを保った。
論文参考訳（メタデータ） (2022-08-16T14:23:54Z)
HairCLIP: Design Your Hair by Text and Reference Image [100.85116679883724]
本稿では, 毛髪属性を個別に, 共同で操作できる新しい毛髪編集インタラクションモードを提案する。画像とテキストの条件を共有埋め込み空間にエンコードし、統一的なヘア編集フレームワークを提案する。念入りに設計されたネットワーク構造と損失関数により,我々のフレームワークは高品質な毛髪編集を行うことができる。
論文参考訳（メタデータ） (2021-12-09T18:59:58Z)
MichiGAN: Multi-Input-Conditioned Hair Image Generation for Portrait Editing [122.82964863607938]
MichiGANはインタラクティブな顔料の毛髪操作のための条件付き画像生成手法である。我々は, 形状, 構造, 外観, 背景など, 主要毛髪の視覚的要因のすべてをユーザコントロールする。また,直感的かつ高レベルなユーザ入力を投影することで,髪の直感的な操作を可能にするインタラクティブな肖像画毛髪編集システムを構築した。
論文参考訳（メタデータ） (2020-10-30T17:59:10Z)

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。