Fugu-MT 論文翻訳(概要): Benchmarking Face Recognition without Real Faces

論文の概要: Benchmarking Face Recognition without Real Faces

arxiv url: http://arxiv.org/abs/2607.14932v1
Date: Thu, 16 Jul 2026 12:47:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-17 17:01:33.096442
Title: Benchmarking Face Recognition without Real Faces
Title（参考訳）: 実顔のない顔認識のベンチマーク
Abstract要約: 合成顔データセットは、実際の写真で訓練されたモデルに匹敵する精度で顔認識モデルを訓練するのに十分な効果がある。この進歩は、実際の生体データ収集の倫理的および法的負担を左右するが、評価はペースを保っていない。合成データセットが、顔認識評価のための実際のベンチマークを置き換えることができるかどうかを問う。
参考スコア（独自算出の注目度）: 10.351122504676573
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Synthetic face datasets have become effective enough to train face recognition models with accuracy rivaling that of models trained on real photographs. This progress sidesteps the ethical and legal burdens of collecting real biometric data, yet evaluation has not kept pace. Even studies that train entirely on synthetic images still rely on real-face benchmarks to measure performance, leaving the privacy problem only half solved. We ask whether synthetic datasets can replace real benchmarks for face recognition evaluation. We test 12 synthetic datasets against 7 established real benchmarks using 24 pre-trained models that span both convolutional and transformer architectures. Our evaluation covers biometric verification metrics, similarity score distributions, cross-model ranking consistency, and the underlying distributional properties of each dataset. Benchmarking fidelity varies widely across the synthetic candidates, but the two strongest, MorphFace and Vec2Face, reproduce the relative behavior of real benchmarks and reach agreement levels that fall within the natural disagreement already observed among the real benchmarks themselves. These results establish that well-constructed synthetic datasets can support reliable comparative evaluation for face recognition, moving the field closer to a fully synthetic and privacy-preserving pipeline for both training and benchmarking.
Abstract（参考訳）: 合成顔データセットは、実際の写真で訓練されたモデルに匹敵する精度で顔認識モデルを訓練するのに十分な効果がある。この進歩は、実際の生体データ収集の倫理的および法的負担を左右するが、評価はペースを保っていない。合成画像を完全に訓練する研究でさえ、パフォーマンスを測定するために実際の顔のベンチマークを頼りにしており、プライバシー問題は半分しか解決していない。合成データセットが、顔認識評価のための実際のベンチマークを置き換えることができるかどうかを問う。我々は、畳み込みとトランスフォーマーアーキテクチャの両方にまたがる24の事前学習モデルを用いて、確立された7つの実ベンチマークに対して12の合成データセットをテストする。本評価では, 生体認証指標, 類似度スコア分布, モデル間ランキングの整合性, および各データセットの分布特性について検討する。ベンチマークの忠実度は合成候補によって異なるが、最も強い2つのMorphFaceとVec2Faceは、実ベンチマークの相対的な振る舞いを再現し、実ベンチマーク自身ですでに観測されている自然な不一致の範囲内にある合意レベルに達する。これらの結果は、十分に構築された合成データセットが、顔認識のための信頼性の高い比較評価をサポートし、トレーニングとベンチマークの両方のための、完全に合成されたプライバシ保護パイプラインに、フィールドを近づけることができることを証明している。

関連論文リスト

Benchmarking the Alignment of Data-Quality Metrics, Human Judgment and Land-Cover Segmentation Performance for Earth Observation [4.554894288663752]
我々は,深部生成モデルにより生成された合成データとともに,地球観測データセットを体系的に評価した。回転などの摂動のセマンティックス保存は, 人間の認識に影響を与えないまま, 測定スコアを劇的に変化させる。混合実合成データセットで訓練されたセマンティックセグメンテーションモデルをベンチマークすることにより、ImageNetで事前訓練された特徴空間に根ざした品質指標が地理空間データに対する信頼性の低い指標であることを実証する。
論文参考訳（メタデータ） (2026-06-23T20:02:57Z)
From Synthetic to Real: Toward Identity-Consistent Makeup Transfer with Synthetic and Real Data [63.40634698361175]
メイクアップ転送は、同一性や背景を保ちながら、ソースポートレートに参照ポートレートのメイクスタイルを適用することを目的としている。近年の拡散と流れに基づくアプローチは、教師付きトレーニングのために合成データを利用するようになり、大幅に改善された。本稿では,ポストトレーニングフレームワークであるConsistentBeautyとRealBeautyを提案する。
論文参考訳（メタデータ） (2026-05-08T15:21:43Z)
Beyond Real Faces: Synthetic Datasets Can Achieve Reliable Recognition Performance without Privacy Compromise [14.844999047343464]
本稿では,25の合成顔認識データセットを同定する体系的な文献レビューを行う。本手法では,プライバシ保護のための7つの重要な要件について検討する。最高のパフォーマンスの合成データセット(Face, VIGFace)は、それぞれ95.67%と94.91%の認識精度を達成する。
論文参考訳（メタデータ） (2025-10-20T10:08:53Z)
Second FRCSyn-onGoing: Winning Solutions and Post-Challenge Analysis to Improve Face Recognition with Synthetic Data [104.30479583607918]
第2回FRCSyn-onGoingチャレンジは、CVPR 2024で開始された第2回顔認識チャレンジ(FRCSyn)に基づいている。我々は、顔認識における現在の課題を解決するために、個々のデータと実際のデータの組み合わせの両方で合成データの利用を検討することに重点を置いている。
論文参考訳（メタデータ） (2024-12-02T11:12:01Z)
SynFER: Towards Boosting Facial Expression Recognition with Synthetic Data [78.70620682374624]
ハイレベルなテキスト記述に基づく表情画像データの合成のための新しいフレームワークであるSynFERを紹介する。合成データの質と信頼性を確保するため,セマンティックガイダンス手法と擬似ラベル生成手法を提案する。その結果, 提案手法の有効性と合成データの有効性が検証された。
論文参考訳（メタデータ） (2024-10-13T14:58:21Z)
SDFR: Synthetic Data for Face Recognition Competition [51.9134406629509]
大規模な顔認識データセットは、インターネットをクロールして個人の同意なしに収集し、法的、倫理的、プライバシー上の懸念を提起する。近年、ウェブクローリングされた顔認識データセットにおける懸念を軽減するために、合成顔認識データセットの生成が提案されている。本稿では,第18回IEEE International Conference on Automatic Face and Gesture Recognition (FG 2024)と共同で開催されているSynthetic Data for Face Recognition (SDFR)コンペティションの概要を紹介する。 SDFRコンペティションは2つのタスクに分けられ、参加者は新しい合成データセットまたは/または既存のデータセットを使用して顔認識システムを訓練することができる。
論文参考訳（メタデータ） (2024-04-06T10:30:31Z)
If It's Not Enough, Make It So: Reducing Authentic Data Demand in Face Recognition through Synthetic Faces [16.977459035497162]
大規模な顔データセットは、主にWebベースのイメージから作成され、明示的なユーザの同意が欠如している。本稿では,合成顔データを用いて効果的な顔認識モデルの訓練を行う方法について検討する。
論文参考訳（メタデータ） (2024-04-04T15:45:25Z)
Reliability in Semantic Segmentation: Can We Use Synthetic Data? [69.28268603137546]
セマンティックセグメンテーションモデルの現実的信頼性を総合的に評価するために、合成データを具体的に生成する方法を初めて示す。この合成データは、事前訓練されたセグメンタの堅牢性を評価するために使用される。セグメンタのキャリブレーションとOOD検出能力を向上するために,我々のアプローチをどのように活用できるかを実証する。
論文参考訳（メタデータ） (2023-12-14T18:56:07Z)
SynFace: Face Recognition with Synthetic Data [83.15838126703719]
我々は、ID混在(IM)とドメイン混在(DM)を併用したSynFaceを考案し、パフォーマンスギャップを緩和する。また、合成顔画像の系統的実験分析を行い、合成データを顔認識に効果的に活用する方法についての知見を提供する。
論文参考訳（メタデータ） (2021-08-18T03:41:54Z)
On the use of automatically generated synthetic image datasets for benchmarking face recognition [2.0196229393131726]
GAN(Generative Adversarial Networks)の最近の進歩は、実際のデータセットを合成データセットで置き換える経路を提供する。現実的な顔画像を合成するためのGAN(Generative Adversarial Networks)の最近の進歩は、実際のデータセットを合成データセットで置き換える経路を提供する。合成データセットのベンチマーク結果は、良い置換であり、多くの場合、実際のデータセットのベンチマークと同様のエラー率とシステムランキングを提供する。
論文参考訳（メタデータ） (2021-06-08T09:54:02Z)

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。