Fugu-MT 論文翻訳(概要): Beyond Error-vs-Discard Characteristic: Toward Stable and Reliable Evaluation for Face Image Quality Assessment

論文の概要: Beyond Error-vs-Discard Characteristic: Toward Stable and Reliable Evaluation for Face Image Quality Assessment

arxiv url: http://arxiv.org/abs/2607.22752v1
Date: Thu, 23 Jul 2026 14:38:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-28 22:34:14.865444
Title: Beyond Error-vs-Discard Characteristic: Toward Stable and Reliable Evaluation for Face Image Quality Assessment
Title（参考訳）: Error-vs-Discard特性を超えて:顔画像品質評価のための安定かつ信頼性の高い評価に向けて
Abstract要約: 顔画像品質評価(FIQA)は,顔画像の信頼性評価における有効性を推定することを目的としている。低品質なサンプルを段階的に破棄し、保持されたサブセットの認識誤差を測定することで、EDC(Error-versus-Discard Characteristics)の性能を評価する。本研究では,広く使用されているEDCプロトコルには,テストセット分岐とThreshold Driftという基本的な制限があることを示す。
参考スコア（独自算出の注目度）: 1.9395146971956156
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Face Image Quality Assessment (FIQA) aims to estimate the utility of facial images for reliable recognition. The evaluation of FIQA methods is predominantly based on the Error-versus-Discard Characteristic (EDC), which evaluates performance by progressively discarding low-quality samples and measuring recognition error on the retained subset. In this work, we demonstrate that the widely used EDC protocol has fundamental limitations: Test-Set Divergence and Threshold Drift, which together limit the reliability and comparability of FIQA methods. To address this, we propose discard-based EDC variants and a rank-based Rank Consistency Evaluation (RCE) metric that operates on the entire test set without discarding samples, using a fixed decision threshold. Extensive experiments on five datasets, four face recognition models, and 15 state-of-the-art FIQA methods demonstrate both the limitations of EDC and the effectiveness of the proposed approaches in enabling a more reliable and comparable evaluation. Despite evaluated on face images only, the limitations arise from the EDC protocol rather than the biometric modality, suggesting a broader applicability to biometric quality assessment in general.
Abstract（参考訳）: 顔画像品質評価(FIQA)は,顔画像の信頼性評価における有効性を推定することを目的としている。 FIQA法の評価は, 低品質なサンプルを段階的に破棄し, 残留サブセットの認識誤差を測定することで, 性能評価を行うEDC(Error-versus-Discard Characteristics)を主に用いている。本研究では,広く使用されているEDCプロトコルには,FIQA手法の信頼性と可視性を両立させるテストセットディバージェンスとThreshold Driftという,基本的な制限があることを実証する。そこで本研究では, サンプルを廃棄することなく, 整定判定しきい値を用いて, 整合性評価(RCE)指標と整列性評価(RCE)指標を提案する。 5つのデータセット、4つの顔認識モデル、そして15の最先端のFIQA手法に関する大規模な実験は、EDCの限界と、より信頼性が高く同等な評価を可能にするための提案されたアプローチの有効性の両方を実証している。顔画像のみで評価されているにもかかわらず、この制限はバイオメトリック・モダリティではなく、EDCプロトコルから生じており、一般的にバイオメトリック・クオリティ・アセスメントに広く適用可能であることを示唆している。

関連論文リスト

Q-DeepSight: Incentivizing Thinking with Images for Image Quality Assessment and Refinement [58.15004031934379]
我々は、この人間のようなプロセスをエミュレートする思考とイメージのフレームワークであるQ-DeepSightを提案する。 Q-DeepSightは、自然、復元、AI生成コンテンツなど、さまざまなベンチマークで最先端のパフォーマンスを実現している。本稿では,Q-DeepSight の診断が反復画像強調を導くトレーニングフリーフレームワークであるPerceptual-in-Generation (PiG) を用いて,その実用的価値を示す。
論文参考訳（メタデータ） (2026-04-18T06:10:57Z)
Surveillance Facial Image Quality Assessment: A Multi-dimensional Dataset and Lightweight Model [59.39390911456143]
監視顔画像品質評価(SFIQA)に関する初の総合的研究を提案する。 SFIQA-Benchは、現実世界のシナリオで3つの広く配備された監視カメラによって撮影された5,004枚の監視顔画像で構成されている。ノイズ、シャープネス、カラフルネス、コントラスト、忠実度、全体的な品質を含む6次元品質評価を主観的な実験により収集する。
論文参考訳（メタデータ） (2026-02-07T06:51:03Z)
Fine-Grained Human Pose Editing Assessment via Layer-Selective MLLMs [70.31435391393642]
我々は17の最先端編集モデルから1,700の標準化されたサンプルをベンチマークで紹介する。層選択型マルチモーダル言語モデル(MLLM)に基づく統一フレームワークを提案する。本フレームワークは,信頼性検出と多次元品質回帰の両方において優れた性能を実現する。
論文参考訳（メタデータ） (2026-01-15T13:22:07Z)
FROQ: Observing Face Recognition Models for Efficient Quality Assessment [5.154970335677459]
顔認識(FR)は多くの重要な(高い)応用において重要な役割を担っている。最先端のFIQA技術の多くは、正確な品質推定を達成するために広範囲の教師付きトレーニングに依存している。本稿では、顔画像の品質を半教師あり、トレーニングなしのアプローチであるFROQを紹介する。
論文参考訳（メタデータ） (2025-09-22T12:29:44Z)
CDI: Blind Image Restoration Fidelity Evaluation based on Consistency with Degraded Image [6.664998519426364]
本稿では,Blind Image Restoration (BIR) 法における非特異性・劣化不確定問題について再検討する。本稿では,CDI(Consistency with Degraded Image)を算出し,忠実度を評価するBIR IQAシステムを提案する。さらに,参照画像のないBIR忠実度評価が可能な参照非依存CDIを提案する。
論文参考訳（メタデータ） (2025-01-24T06:05:47Z)
Position: AI Evaluation Should Learn from How We Test Humans [65.36614996495983]
人間の評価のための20世紀起源の理論である心理測定は、今日のAI評価における課題に対する強力な解決策になり得る、と我々は主張する。
論文参考訳（メタデータ） (2023-06-18T09:54:33Z)
DifFIQA: Face Image Quality Assessment Using Denoising Diffusion Probabilistic Models [1.217503190366097]
顔画像品質評価(FIQA)技術は、これらの性能劣化を軽減することを目的としている。拡散確率モデル(DDPM)に基づく強力な新しいFIQA手法DifFIQAを提案する。拡散に基づく摂動は計算コストが高いため、DifFIQA(R)と呼ばれる回帰ベースの品質予測器にDifFIQAで符号化された知識を蒸留する。
論文参考訳（メタデータ） (2023-05-09T21:03:13Z)
Considerations on the Evaluation of Biometric Quality Assessment Algorithms [7.092869001331781]
品質評価アルゴリズムを用いて生体認証のための生体試料の有用性を推定することができる。曲線の「誤差対特性」(EDC)プロットと「部分曲線」(pAUC)値は、一般にそのような品質評価アルゴリズムを評価するために用いられる。
論文参考訳（メタデータ） (2023-03-23T14:26:21Z)
Fingerprint Image-Quality Estimation and its Application to Multialgorithm Verification [56.128200319868526]
信号品質の認識は、認識率を増大させ、マルチセンサー環境における決定を著しく支援することが見出されている。本稿では, 指紋画像の向きテンソルを用いて, ノイズ, 構造不足, ぼやけなどの信号障害を, 対称性記述子の助けを借りて定量化する。定量的な結果は、あらゆる面において品質意識を優先し、認識率を高め、異なるスキルを持つ専門家を効果的かつ効果的に融合させる。
論文参考訳（メタデータ） (2022-11-24T12:17:49Z)
Uncertainty-Driven Action Quality Assessment [11.958132175629368]
本稿では,複数の判定スコアの多様性を捉えるために,不確実性駆動型AQA (UD-AQA) という新しい確率モデルを提案する。我々は,AQA回帰損失の再重み付けに使用される各予測の不確かさを推定する。提案手法は,オリンピックイベントMTL-AQAとFineDivingの3つのベンチマークと,手術スキルJIGSAWSデータセットの3つのベンチマークで比較結果を得た。
論文参考訳（メタデータ） (2022-07-29T07:21:15Z)
Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。この課題に対処するための新しいクロスバリデーションのような方法論を提供する。本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文参考訳（メタデータ） (2021-12-14T17:53:01Z)
FaceQvec: Vector Quality Assessment for Face Biometrics based on ISO Compliance [15.913755899679733]
FaceQvecは、ISO/IEC 19794-5で実証された各点で顔画像の整合性を推定するソフトウェアコンポーネントである。この品質基準は、パスポートやIDカードなどの公式文書での使用を許容または受け入れがたい顔画像の一般的な品質ガイドラインを定義している。
論文参考訳（メタデータ） (2021-11-03T09:07:41Z)
Performance Evaluation of Adversarial Attacks: Discrepancies and Solutions [51.8695223602729]
機械学習モデルの堅牢性に挑戦するために、敵対攻撃方法が開発されました。本稿では,Piece-wise Sampling Curving(PSC)ツールキットを提案する。 psc toolkitは計算コストと評価効率のバランスをとるオプションを提供する。
論文参考訳（メタデータ） (2021-04-22T14:36:51Z)

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。