論文の概要: LFD: Enabling Real-World Lensless Face Recognition with a Large-Scale Dataset
- arxiv url: http://arxiv.org/abs/2607.10094v1
- Date: Sat, 11 Jul 2026 03:21:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.300593
- Title: LFD: Enabling Real-World Lensless Face Recognition with a Large-Scale Dataset
- Title（参考訳）: LFD:大規模データセットによる実世界のレンズレス顔認識の実現
- Abstract要約: レンズレス顔データセット(LFD)について紹介する。
LFDは21,080個のレンズレスの生計測、再構成、様々な照明、角度、距離で撮影された顔の標準的な画像で構成されている。
LFDは、異なるレンズレスイメージングデバイス間で共有された特徴やアーティファクトを効果的にキャプチャすることを示す。
- 参考スコア（独自算出の注目度）: 23.502647511360795
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Face recognition is a ubiquitously used computer vision task that has a wide range of applications ranging from everyday smartphone biometrics to high-stakes security systems. Most face recognition systems rely on traditional cameras, which often suffer from limitations such as bulky form factors, high costs, and limited privacy protection. To address these limitations, lensless cameras have emerged as an alternative. Lensless cameras use thin optical encoders, enabling smaller size, lower cost, and greater design flexibility. These cameras are typically paired with reconstruction algorithms that convert raw captures into recognizable images. However, reconstructed images often contain artifacts, and the reconstruction methods struggle to generalize well to real-world conditions. Furthermore, existing face datasets do not account for the artifacts present in lensless images. To address this issue, we introduce the Lensless Face Dataset (LFD). LFD comprises 21,080 lensless raw measurements, reconstructions, and standard images of faces captured under diverse lighting, angle, and distance. Our key contributions are: (1) Real-world lensless face data: LFD focuses on capturing a diverse face dataset with varying levels of artifacts introduced under different environments; (2) In-the-wild captures: 4,976 images are captured in outdoor settings with varying intensities of natural light and different background patterns; (3) Multiple lensless devices: LFD includes face images collected from three different types of lensless cameras, each with a unique optical encoder. We use this hardware diversity to demonstrate generalization across different lensless cameras. Through comprehensive evaluations and analysis, we show that LFD effectively captures shared features and artifacts across different lensless imaging devices, making it a valuable dataset for advancing lensless face recognition.
- Abstract（参考訳）: 顔認識はユビキタスに使われているコンピュータビジョンタスクで、日常的なスマートフォンの生体認証から高度なセキュリティシステムまで幅広い用途がある。
ほとんどの顔認識システムは従来のカメラに依存しており、大きめのフォームファクター、高コスト、プライバシー保護の制限に悩まされることが多い。
これらの制限に対処するため、レンズレスカメラが代替品として登場した。
レンズレスカメラは薄い光エンコーダを使用し、小型化、低コスト化、設計の柔軟性の向上を実現している。
これらのカメラは、通常、生のキャプチャを認識可能な画像に変換する再構成アルゴリズムと組み合わせられる。
しかし、再構成された画像は、しばしばアーティファクトを含んでおり、再建手法は現実世界の状況によく適応するのに苦労している。
さらに、既存の顔データセットは、レンズレス画像に存在するアーティファクトを考慮していない。
この問題に対処するため、Lensless Face Dataset (LFD)を導入する。
LFDは21,080個のレンズレスの生計測、再構成、様々な照明、角度、距離で撮影された顔の標準的な画像で構成されている。
1)実世界のレンズレス顔データ:LFDは、異なる環境下で導入されるさまざまな種類のアーティファクトを持つ多様な顔データセットをキャプチャすることに焦点を当てる。(2)ワイルドキャプチャ:4,976枚の画像を、自然光と異なる背景パターンの様々な強度で屋外の環境でキャプチャする;(3)複数のレンズレスデバイス:LFDは3種類のレンズレスカメラから収集された顔画像を含み、それぞれにユニークな光エンコーダを備える。
このハードウェアの多様性を使って、さまざまなレンズレスカメラにまたがる一般化を実証しています。
包括的評価と分析により、LFDは異なるレンズレス画像デバイス間で共有された特徴やアーティファクトを効果的にキャプチャし、レンズレス顔認識の進歩に有用なデータセットであることを示す。
関連論文リスト
- OmniPoint: Universal Monocular Metric Pointcloud from Any Camera [79.24417597712802]
OmniPointは、様々な画像センサにまたがるメートル法再構成を一般化するために設計された統合されたフレームワークである。
射影剛性を克服するため、OmniPointは従来の平面深度回帰を放棄する。
代わりに、分離された訓練目標とともに、分離された光線と距離の表現を採用する。
論文 参考訳（メタデータ） (2026-09-08T19:45:58Z) - MIVIFI: Bridging Perspective and Fisheye Domains for Training Multi-View Fisheye Image Generation Models [44.93230202195852]
魚眼カメラは、2つのセンサーで完全なサラウンドカバーを可能にすることで、コスト効率のよいソリューションを提供する。
既存のマルチビュー魚眼データセットは限られており、稀なコーナーケースでは計算に高価な3Dシミュレーションが必要となる。
本稿では,容積意味表現に基づく多視点魚眼画像を生成する2つの方法を提案する。
論文 参考訳（メタデータ） (2026-08-24T11:46:28Z) - Self-Supervised AI-Generated Image Detection: A Camera Metadata Perspective [80.10217707456046]
カメラメタデータを利用したAI生成画像検出のための自己教師型アプローチを提案する。
分類型EXIFタグを分類することにより,撮影画像のみに特徴抽出器を訓練する。
我々の検出器は、電界中のサンプルに対して強力な一般化と、一般的な良性イメージの摂動に対する堅牢性を提供する。
論文 参考訳（メタデータ） (2025-12-05T11:53:18Z) - Unmasking Facial DeepFakes: A Robust Multiview Detection Framework for Natural Images [1.5049442691806052]
顔の特徴を複数のレベルで分析することで、ディープフェイク検出を強化するマルチビューアーキテクチャを提案する。
提案手法は,3つの特殊エンコーダ,境界不整合を検出するグローバルビューエンコーダ,テクスチャと色調を解析する中間ビューエンコーダ,表情領域の歪みを捉えるローカルビューエンコーダを統合した。
これらのエンコーダから特徴を融合させることにより、難易度の高いポーズや照明条件下であっても、操作された画像の検出において優れた性能が得られる。
論文 参考訳（メタデータ） (2025-10-17T12:16:04Z) - Efficient Depth- and Spatially-Varying Image Simulation for Defocus Deblur [16.9629875455607]
既存のオープンソースデータセットでトレーニングされたディープラーニングモデルは、多くの場合、ドメインギャップに直面し、現実世界の設定ではうまく機能しない。
実世界のデータによる微調整に依存しない,効率的でスケーラブルなデータセットアプローチを提案する。
提案手法は深度に依存したデフォーカスと空間的に変化する光学収差を同時にモデル化し、計算複雑性と高品質なRGB-Dデータセットの不足に対処する。
論文 参考訳（メタデータ） (2025-07-01T02:03:04Z) - Learning Lens Blur Fields [15.452926532440296]
本稿では、ブラーの高次元神経表現を$-$ittheレンズブラー場を$-$で導入し、それを取得するための実用的な方法を提案する。
得られた5Dブラーフィールドは,同じメイクとモデルのスマートフォンデバイスの光学的挙動の違いを初めて明らかにするために,表現力と精度が十分であることを示す。
論文 参考訳（メタデータ） (2023-10-17T19:10:45Z) - High Dynamic Range and Super-Resolution from Raw Image Bursts [52.341483902624006]
本稿では,露光ブラケット付きハンドヘルドカメラで撮影した原写真からの高解像度・高ダイナミックレンジカラー画像の再構成について紹介する。
提案アルゴリズムは,画像復元における最先端の学習手法と比較して,メモリ要求の少ない高速なアルゴリズムである。
実験では、ハンドヘルドカメラで野生で撮影された実際の写真に最大4ドル(約4,800円)の超高解像度な要素で優れた性能を示す。
論文 参考訳（メタデータ） (2022-07-29T13:31:28Z) - Learning rich optical embeddings for privacy-preserving lensless image
classification [17.169529483306103]
我々は、光学系をエンコーダとしてキャストするユニークな多重化特性を利用して、カメラセンサーに直接学習した埋め込みを生成する。
画像分類の文脈では、エンコーダのパラメータと画像分類器のパラメータをエンドツーエンドで共同で最適化する。
我々の実験は、レンズレス光エンコーダとデジタル処理を共同で学習することで、センサーに低解像度の埋め込みが可能であることを示し、その結果、これらの測定から有意義な画像の復元がはるかに困難であることから、プライバシーが向上することを示している。
論文 参考訳（メタデータ） (2022-06-03T07:38:09Z) - MC-Blur: A Comprehensive Benchmark for Image Deblurring [127.6301230023318]
ほとんどの実世界の画像では、ブラーは動きやデフォーカスなど様々な要因によって引き起こされる。
我々は,MC-Blurと呼ばれる大規模マルチライク画像デブロアリングデータセットを新たに構築する。
MC-Blurデータセットに基づいて,異なるシナリオにおけるSOTA法の比較を行う。
論文 参考訳（メタデータ） (2021-12-01T02:10:42Z) - Facial Depth and Normal Estimation using Single Dual-Pixel Camera [81.02680586859105]
DP指向のDepth/Normalネットワークを導入し,3次元顔形状を再構成する。
これは、メートル法スケールでの深度マップと表面正規を含む、対応する地上3次元モデルを含んでいる。
近年のDPベース深度/正規推定法で最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-11-25T05:59:27Z) - Universal and Flexible Optical Aberration Correction Using Deep-Prior
Based Deconvolution [51.274657266928315]
そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。
具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
論文 参考訳（メタデータ） (2021-04-07T12:00:38Z) - Deep 3D Capture: Geometry and Reflectance from Sparse Multi-View Images [59.906948203578544]
本稿では,任意の物体の高品質な形状と複雑な空間変化を持つBRDFを再構成する学習に基づく新しい手法を提案する。
まず、深層多視点ステレオネットワークを用いて、ビューごとの深度マップを推定する。
これらの深度マップは、異なるビューを粗く整列するために使用される。
本稿では,新しい多視点反射率推定ネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-03-27T21:28:54Z)
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。