論文の概要: Robust Face Super-Resolution and Recognition Through Multi-Feature Aggregation in Diffusion Models
- arxiv url: http://arxiv.org/abs/2607.05702v1
- Date: Mon, 06 Jul 2026 23:49:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.352346
- Title: Robust Face Super-Resolution and Recognition Through Multi-Feature Aggregation in Diffusion Models
- Title（参考訳）: 拡散モデルにおける多機能凝集によるロバスト面の超解像と認識
- Abstract要約: 本稿では拡散モデルに基づく超解像アルゴリズムであるFASR++を紹介する。
高品質な画像を生成し、顔認識タスクのパフォーマンスを大幅に向上させることができる。
2つの標準的な顔認識データセットに対するアプローチを検証する。
- 参考スコア（独自算出の注目度）: 2.1688624609312077
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Images acquired in surveillance environments often suffer from conditions such as low resolution, variations in pose, irregular illumination, and occlusions. Due to the low quality of these images, face recognition algorithms often struggle. This major limitation can be addressed by employing super-resolution techniques that enhance the details of the image. However, due to the high degree of difficulty of the problem, most super-resolution algorithms tend to cause distortions in the image and in the individual's identity. Thus, additional information must be incorporated into the processing to improve recognition robustness. In this regard, surveillance cameras can capture multiple images, even at low quality, and the data extracted from these images, such as consecutive video frames, can significantly enhance both super-resolution and facial recognition. In this work, we introduce FASR++, a diffusion-model-based super-resolution algorithm. It leverages a reference low-resolution image and features extracted from multiple auxiliary low-quality images to generate a super-resolved output, minimizing distortions in the individual's identity. Our approach recovers facial features without explicitly providing soft attributes or computing a function gradient to guide the reconstruction process. FASR++ generates high-quality images that can considerably improve performance in face recognition tasks when used as a pre-processing step. We validate our approach on two standard face recognition datasets and attain state-of-the-art results for verification, face recognition, and image quality metrics such as PSNR, SSIM, and LPIPS.
- Abstract（参考訳）: 監視環境で取得された画像は、低解像度、ポーズの変化、不規則な照明、閉塞といった条件に悩まされることが多い。
これらの画像の品質が低いため、顔認識アルゴリズムはしばしば苦労する。
この大きな制限は、画像の細部を拡大する超解像技術を用いて対処することができる。
しかし、この問題の難易度が高いため、ほとんどの超解像アルゴリズムは画像や個人のアイデンティティに歪みを引き起こす傾向にある。
したがって、認識の堅牢性を改善するために、追加情報を処理に組み込まなければならない。
この点において、監視カメラは低品質でも複数の画像を撮影することができ、連続するビデオフレームなどのこれらの画像から抽出したデータは、超高解像度と顔認識の両方を大幅に強化することができる。
本稿では拡散モデルに基づく超解像アルゴリズムであるFASR++を紹介する。
参照低解像度画像と複数の補助低画質画像から抽出された特徴を活用して、個人のアイデンティティの歪みを最小限に抑え、超解像出力を生成する。
提案手法は, ソフト属性を明示的に提供せずに顔の特徴を回復し, 機能勾配を計算し, 再建過程を導出する。
FASR++は、前処理ステップとして使用すると、顔認識タスクのパフォーマンスが大幅に向上する高品質な画像を生成する。
我々は,2つの標準的な顔認識データセットに対するアプローチを検証するとともに,PSNR,SSIM,LPIPSなどの画像品質指標の検証,顔認識,画像品質測定のための最先端結果を得る。
関連論文リスト
- SMFD-UNet: Semantic Face Mask Is The Only Thing You Need To Deblur Faces [0.0]
SMFD-UNet(Semantic Mask Fusion Deblurring UNet)を提案する。
SMFD-UNetは,高ピーク信号雑音比 (PSNR) と構造類似度指数測定 (SSIM) を達成しつつ, 良好な自然度対策を保ちながら, 最先端モデルよりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2026-04-08T18:16:39Z) - PETALface: Parameter Efficient Transfer Learning for Low-resolution Face Recognition [54.642714288448744]
PETALfaceは、PEFTのパワーを低解像度の顔認識に活用した最初の作品である。
バックボーンに2つの低ランク適応モジュールを導入し、入力画像の品質に基づいて重みを調整し、ギャラリーとプローブ画像の品質の違いを考慮に入れた。
実験により,提案手法は高分解能・混合品質データセットの性能を保ちながら,低分解能データセットの完全な微調整よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-12-10T18:59:45Z) - Multi-Feature Aggregation in Diffusion Models for Enhanced Face Super-Resolution [6.055006354743854]
超解像を生成するために,複数の低画質画像から抽出した特徴と組み合わせた低解像度画像を利用するアルゴリズムを開発した。
他のアルゴリズムとは異なり、我々のアプローチは属性情報を明示的に提供せずに顔の特徴を復元する。
これは、高解像度画像と低解像度画像を組み合わせて、より信頼性の高い超高解像度画像を生成するコンディショナーとして初めて使用される。
論文 参考訳（メタデータ） (2024-08-27T20:08:33Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳（メタデータ） (2022-06-07T14:55:32Z) - LR-to-HR Face Hallucination with an Adversarial Progressive
Attribute-Induced Network [67.64536397027229]
顔の超解像は難しい問題であり、非常に不適切な問題である。
顔の特徴を取り入れたエンドツーエンドのプログレッシブ・ラーニング・フレームワークを提案する。
提案手法は,他の最先端アプローチよりも良好な顔幻覚像が得られることを示す。
論文 参考訳（メタデータ） (2021-09-29T19:50:45Z) - Network Architecture Search for Face Enhancement [82.25775020564654]
我々は、NASFE(Network Architecture Search for Face Enhancement)と呼ばれるマルチタスクの顔復元ネットワークを提案する。
NASFEは、単一の劣化(すなわち)を含む低品質の顔画像を高めることができる。
ノイズまたはぼやけ)または複数の劣化(ノイズ+ブラル+ローライト)
論文 参考訳（メタデータ） (2021-05-13T19:46:05Z) - Joint Face Image Restoration and Frontalization for Recognition [79.78729632975744]
現実世界のシナリオでは、大きなポーズ、悪い照明、低解像度、ぼやけ、ノイズなど、多くの要因が顔認識性能を損なう可能性がある。
それまでの努力は通常、まず品質の低い顔から高品質な顔に復元し、次に顔認識を行う。
与えられた低品質の顔からフロンダル化された高品質の顔を復元する多段階顔復元モデルを提案する。
論文 参考訳（メタデータ） (2021-05-12T03:52:41Z) - JDSR-GAN: Constructing A Joint and Collaborative Learning Network for
Masked Face Super-Resolution [28.022800882214803]
ほとんどのビデオ監視シナリオで得られた顔画像は、マスクと同時に低解像度です。
これまでのスーパーレゾリューションソリューションのほとんどは、1つのモデルで両方のタスクを処理できない。
我々は,マスク付き顔超解像課題のための共同学習ネットワークJDSR-GANを構築した。
論文 参考訳（メタデータ） (2021-03-25T08:50:40Z) - Analysis and evaluation of Deep Learning based Super-Resolution
algorithms to improve performance in Low-Resolution Face Recognition [0.0]
超解像アルゴリズムは、関係する被験者の識別特性を回復することができる。
このプロジェクトは、顔の超解像のタスクのための異なるディープニューラルネットワークアーキテクチャを評価し、適応することを目的とした。
実験により、一般的なスーパーレゾリューションアーキテクチャは、高レゾリューション顔で訓練されたディープニューラルネットワークのフェイス検証性能を向上させることが判明した。
論文 参考訳（メタデータ） (2021-01-19T02:41:57Z) - Multi Scale Identity-Preserving Image-to-Image Translation Network for
Low-Resolution Face Recognition [7.6702700993064115]
本稿では,画像から画像へ変換する深層ニューラルネットワークを提案する。
アイデンティティ関連の情報を保存しながら、非常に低解像度の顔を高解像度の顔に超解き放つことができる。
論文 参考訳（メタデータ） (2020-10-23T09:21:06Z) - Invertible Image Rescaling [118.2653765756915]
Invertible Rescaling Net (IRN) を開発した。
我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
論文 参考訳（メタデータ） (2020-05-12T09:55:53Z)
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。