論文の概要: FaceMoE: Mixture of Experts for Low-Resolution Face Recognition

• arxiv url: http://arxiv.org/abs/2606.32040v1
• Date: Tue, 30 Jun 2026 17:59:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.350484
• Title: FaceMoE: Mixture of Experts for Low-Resolution Face Recognition
• Title（参考訳）: FaceMoE: 低解像度顔認識の専門家の混在
• Abstract要約: 低分解能顔認識のためのMixture of Experts(MoE)トランスフォーマーアーキテクチャの効果的な適応であるFaceMoEを提案する。 具体的には、複数の専用フィードフォワードネットワーク(FFN)の専門家を紹介し、適切な専門家にトークンを動的に割り当てるトップkルータを組み込む。 このデザインは、顔の異なるセマンティック領域の専門家間の専門化を緊急に促進し、FaceMoEは分解能を考慮した特徴抽出を行うことができる。
• 参考スコア（独自算出の注目度）: 54.04077186145988
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-resolution face recognition (LR-FR) remains a challenging task due to poor feature extraction and aggregation, as probe images often contain limited identity information resulting from extreme degradations such as blur, occlusion, and low contrast. Additionally, the domain gap between high-resolution (HR) gallery images and low-resolution (LR) probe images poses a significant challenge. A single feature encoder struggles to generalize effectively across both domains when fine-tuned on an LR dataset, and this issue is further magnified by catastrophic forgetting. To address these challenges, we propose FaceMoE, an effective adaptation of Mixture of Experts (MoE) transfomer architecture for low-resolution face-recognition . Specifically, we introduce multiple specialized feed-forward network (FFN) experts and incorporate a top-k router, which dynamically assigns tokens to appropriate experts. This design emergently promotes specialization across experts for different semantic regions of the face, which enables FaceMoE to perform resolution-aware feature extraction. Moreover, the top-k router facilitates sparse expert activation, enabling the model to preserve pretrained knowledge when finetuned on a LR dataset, while increasing model capacity without proportional computational overhead. FaceMoE is trained with a combined face recognition loss, router z-loss, and load balancing loss to ensure expert specialization and stable training. To the best of our knowledge, this is the first work leveraging MoE for LR-FR. Extensive experiments across eleven datasets, spanning HR, mixed-quality, and LR benchmarks, demonstrate that FaceMoE significantly outperforms state-of-the-art methods. Code: https://github.com/Kartik-3004/FaceMoE
• Abstract（参考訳）: 低分解能顔認証(LR-FR)は、特徴抽出と集約が貧弱なため難しい課題であり、プローブ画像には、ぼやけ、閉塞、低コントラストなどの極端な劣化に起因する識別情報が限られていることが多い。 さらに、高分解能(HR)ギャラリー画像と低分解能(LR)プローブ画像との領域ギャップは大きな課題である。 単一機能エンコーダは、LRデータセットに微調整された場合、両方のドメインを効果的に一般化するのに苦労し、この問題は破滅的な忘れ物によってさらに拡大される。 これらの課題に対処するために、低解像度顔認識のためのMixture of Experts(MoE)トランスフォーマーアーキテクチャの効果的な適応であるFaceMoEを提案する。 具体的には、複数の専用フィードフォワードネットワーク(FFN)の専門家を紹介し、適切な専門家にトークンを動的に割り当てるトップkルータを組み込む。 このデザインは、顔の異なるセマンティック領域の専門家間の専門化を緊急に促進し、FaceMoEは分解能を考慮した特徴抽出を行うことができる。 さらに、トップkルータはスパース専門家のアクティベーションを促進し、LRデータセットに微調整された場合、モデルが事前訓練された知識を保存できると同時に、比例計算オーバーヘッドを伴わないモデル容量を増大させる。 FaceMoEは、専門家の専門化と安定したトレーニングを保証するために、顔認識損失、ルータzロス、ロードバランシング損失を併用して訓練されている。 私たちの知る限りでは、これはLR-FRにMoEを活用する最初の作品です。 HR、混合品質、LRベンチマークにまたがる11のデータセットにわたる大規模な実験は、FaceMoEが最先端の手法を大幅に上回っていることを実証している。 コード:https://github.com/Kartik-3004/FaceMoE

関連論文リスト

• Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
  実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。 単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。 LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-20T04:11:44Z)
• ERMoE: Eigen-Reparameterized Mixture-of-Experts for Stable Routing and Interpretable Specialization [13.182475975397251]
  ERMoEは、学習したゲーティングログを"Eigenbasis Score"に置き換えるスパースなMoE変換器である ERMoE は ImageNet 分類と クロスモーダル画像テキスト検索ベンチマークにおける最先端の精度を実現する。 3D MRI変異体(ERMoE-ba)は、脳年齢予測の精度を7%以上改善し、解釈可能な専門家の専門化をもたらす。
  論文  参考訳（メタデータ） (2025-11-14T05:31:37Z)
• MoFRR: Mixture of Diffusion Models for Face Retouching Restoration [36.309979915418296]
  Face Retouching Restoration (FRR) は、新しいコンピュータビジョンタスクである。 MoFRRは、異なるリタッチタイプを扱う専門専門家のスパースアクティベーションと、ユニバーサルリタッチトレースを扱う共有専門家の関与を使用する。 新たに構築された顔リタッチデータセットであるRetouchingFFHQ++の実験は、FRRに対するMoFRRの有効性を実証している。
  論文  参考訳（メタデータ） (2025-07-26T03:45:53Z)
• Heterogeneous Mixture of Experts for Remote Sensing Image Super-Resolution [23.383837540690823]
  我々は、Mixture of Experts (MoE)モデルを導入し、異種専門家の集合を設計する。 これらの専門家は複数の専門家グループに分けられ、各グループのエキスパートはグループ間で異質でありながら同質である。 UCMerced および AID データセットを用いた実験により,提案手法がSR再構成精度に優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-12T03:25:53Z)
• See More Details: Efficient Image Super-Resolution by Experts Mining [79.35310245195402]
  本稿では,エキスパートマイニングを用いた効率的なSRモデルであるSeemoReを紹介する。 当社のアプローチは、さまざまなレベルの専門家を戦略的に取り入れ、協調的な方法論を採用しています。 正確なSRに欠かせない重要な要素を専門に扱うことで、我々のモデルは複雑な機能内詳細を明らかにすることに長けています。
  論文  参考訳（メタデータ） (2024-02-05T16:11:04Z)
• Balancing Efficiency and Quality: MoEISR for Arbitrary-Scale Image Super-Resolution [11.256166497045792]
  我々は、新しい効率的なフレームワーク、Mixture-of-Experts Implicit Super-Resolution(MoEISR)を紹介する。 MoEISRは、軽量マッパーモジュールを使用して、最も適切なデコードの専門家を各ピクセルに動的に割り当てる。 実験により,MoEISRはピーク信号対雑音比 (PSNR) と同等あるいは優れたピーク信号対雑音比 (PSNR) を提供しながら,大量の浮動小数点演算 (FLOPs) を効果的に低減できることを示した。
  論文  参考訳（メタデータ） (2023-11-20T05:34:36Z)
• Best-Buddy GANs for Highly Detailed Image Super-Resolution [71.13466303340192]
  我々は,低分解能(LR)入力に基づいて高分解能(HR)画像を生成する単一画像超解像(SISR)問題を考える。 このラインに沿ったほとんどのメソッドは、SISRタスクに十分な柔軟性がない、事前定義されたシングルLRシングルHRマッピングに依存しています。 リッチディテールSISRのためのベストバディGAN(Beby-GAN)を提案する。 イミュータブルな1対1の制約を緩和することで、推定されたパッチを動的に最高の監視を求めることができる。
  論文  参考訳（メタデータ） (2021-03-29T02:58:27Z)
• Hierarchical Deep CNN Feature Set-Based Representation Learning for Robust Cross-Resolution Face Recognition [59.29808528182607]
  クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。 既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。 本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
  論文  参考訳（メタデータ） (2021-03-25T14:03:42Z)
• Recurrent Exposure Generation for Low-Light Face Detection [113.25331155337759]
  本稿では,Recurrent Exposure Generation (REG) モジュールと Multi-Exposure Detection (MED) モジュールを提案する。 REGは、様々な露光設定に対応する段階的かつ効率的な中間画像を生成する。 このような擬似露光はMEDによって融合され、異なる照明条件で顔を検出する。
  論文  参考訳（メタデータ） (2020-07-21T17:30:51Z)
• Deep Generative Adversarial Residual Convolutional Networks for Real-World Super-Resolution [31.934084942626257]
  我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。 これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。 提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
  論文  参考訳（メタデータ） (2020-05-03T00:12:38Z)

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。