論文の概要: The Devil Is in the Leakage: A Disentangled Dual-Purification Framework for High-Fidelity Hairstyle Transfer
- arxiv url: http://arxiv.org/abs/2607.11281v1
- Date: Mon, 13 Jul 2026 09:00:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.405904
- Title: The Devil Is in the Leakage: A Disentangled Dual-Purification Framework for High-Fidelity Hairstyle Transfer
- Title（参考訳）: The Devil is in the Leakage: A Disentangled Dual-Purification Framework for High-Fidelity Hairstyle Transfer
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 19.467144465203802
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hairstyle transfer aims to synthesize a photorealistic portrait by transplanting the hairstyle from a reference image onto a source subject while preserving the source identity. Recent foundation models show strong generative capability, but they struggle with the zero-shot disentanglement required for precise local editing, often entangling the reference hairstyle with its original identity and pose. Existing diffusion-based pipelines typically decompose the task by first generating a "bald" image from the source and then injecting hairstyle features from the reference. However, we show that this paradigm suffers from a fundamental leakage problem. Identity Leakage in Hairstyle occurs when hairstyle features retain reference identity or pose information, while Flaw Leakage in Bald arises when residual artifacts in the bald image are propagated into the final synthesis. To address both issues, we propose the Dual-Purification Framework (DPF), which introduces two complementary training-time regularizers. Adversarial Hairstyle Purification (AHP) purifies hairstyle features by suppressing identity predictability under a mutual-information-inspired adversarial objective. Contrastive Geometric Purification (CGP) regularizes the ControlNet pathway with a contrastive objective, reducing the model's reliance on geometric artifacts in the bald condition. By jointly purifying the hairstyle representation and geometric pathway, DPF achieves high-fidelity, identity-preserving hairstyle transfer and state-of-the-art performance on diverse benchmarks.
- Abstract（参考訳）: 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被写体にヘアスタイルを移植することで、フォトリアリスティックな肖像画を合成することを目的としている。
最近の基礎モデルは、強力な生成能力を示すが、正確な局所的な編集に必要なゼロショットの歪みに苦慮し、しばしば参照ヘアスタイルを元のアイデンティティとポーズで絡み合わせる。
既存の拡散ベースのパイプラインは、典型的には、まずソースから"bald"イメージを生成し、次に参照からヘアスタイルの特徴を注入することで、タスクを分解する。
しかし,本パラダイムは基本的な漏洩問題に悩まされている。
ヘアスタイルのアイデンティティリークは、髪型の特徴が参照のアイデンティティやポーズの情報を保持するときに起こり、一方、ボールドのフラッグリークは、ハゲ画像の残った遺物が最終合成に伝播する際に起こる。
両問題に対処するため,2つの相補的訓練時間正規化器を導入したDual-Purification Framework (DPF)を提案する。
相反的ヘアスタイル精製 (AHP) は, 相互情報に触発された相反的目的の下で, 同一性予測性を抑えることにより, 髪型の特徴を浄化する。
Contrastive Geometric Purification (CGP)は、ControlNet経路を対照的な目的で規則化し、ハゲ条件における幾何学的アーティファクトへの依存を減らす。
髪型表現と幾何学的経路を共同で浄化することにより、DPFは多種多様なベンチマーク上で高い忠実度、アイデンティティを保存するヘアスタイル転送と最先端のパフォーマンスを達成する。
関連論文リスト
- H-Adapter: Pose-Robust Hairstyle Transfer via Attention-Derived, Source-Aligned Hair Masks [2.9567293946666173]
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。
論文 参考訳（メタデータ） (2026-06-24T08:52:06Z) - HairPort: In-context 3D-aware Hair Import and Transfer for Images [12.811554431300996]
HairPortは3D対応のヘアスタイル転送フレームワークである。
FLUX.1 KontextのLoRAベースのインコンテクスト適応により、現実的な顔のハゲバージョンを生成する。
提案手法は3次元認識により,ソースとターゲット間の大きなポーズとスケールの相違をサポートする。
論文 参考訳（メタデータ） (2026-06-10T18:13:18Z) - HairGPT: Strand-as-Language Autoregressive Modeling for Realistic 3D Hairstyle Synthesis [62.89988554372163]
HairGPTは、ストランドを生成的プリミティブとして扱うストランド中心のフレームワークである。
現実的な3次元ヘアスタイル合成を、二重分離自己回帰配列モデリング問題として定式化する。
論文 参考訳（メタデータ） (2026-05-09T09:19:36Z) - HairGS: Hair Strand Reconstruction based on 3D Gaussian Splatting [50.93221272778306]
人間の髪の復元はコンピュータビジョンにおいて難しい問題である。
多視点画像からストランドレベルの毛髪形状復元を可能にする3DGSフレームワークを拡張した。
提案手法は多種多様なヘアスタイルを頑健に処理し, 1時間以内の効率的な再構築を実現する。
論文 参考訳（メタデータ） (2025-09-09T14:08:41Z) - Im2Haircut: Single-view Strand-based Hair Reconstruction for Human Avatars [60.99229760565975]
本研究では,グローバルヘアと局所最適化を併用した1枚の写真から3次元毛髪を復元する手法を提案する。
我々はこれを利用して1つ以上の画像からヘアスタイルを生成するガウススティングに基づく再構築手法を開発した。
論文 参考訳（メタデータ） (2025-09-01T13:38:08Z) - DiffLocks: Generating 3D Hair from a Single Image using Diffusion Models [53.08138861924767]
DiffLocksは,単一画像から直接,多様なヘアスタイルの再構築を可能にする新しいフレームワークである。
まず,40Kのヘアスタイルを含む最大合成ヘアデータセットの作成を自動化することで,3Dヘアデータの欠如に対処する。
予め訓練した画像バックボーンを用いることで,合成データのみを訓練しながら,画像の幅内への一般化を行う。
論文 参考訳（メタデータ） (2025-05-09T16:16:42Z) - 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) - HairStep: Transfer Synthetic to Real Using Strand and Depth Maps for
Single-View 3D Hair Modeling [55.57803336895614]
学習型単一視点3Dヘアモデリングの課題に対処する。
まず, ストランドマップと深度マップからなる新しい中間表現をHairStepと呼ぶ。
HairStepは正確な3Dヘアモデリングに十分な情報を提供するだけでなく、実際の画像から推測できる。
論文 参考訳（メタデータ） (2023-03-05T15:28:13Z) - 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) - HairFIT: Pose-Invariant Hairstyle Transfer via Flow-based Hair Alignment
and Semantic-Region-Aware Inpainting [26.688276902813495]
ポーズ不変ヘアスタイル転送のための新しいフレームワークであるHairFITを提案する。
本モデルは,フローベース毛髪アライメントと毛髪合成の2段階からなる。
我々のSIM推定器は、画像中の隠蔽領域を異なる意味領域に分割し、塗装中の特徴を反映する。
論文 参考訳（メタデータ） (2022-06-17T06:55:20Z)
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。