論文の概要: Diff-ID: Identity Consistent Facial Image Generation and Morphing via Diffusion Models
- arxiv url: http://arxiv.org/abs/2607.25078v1
- Date: Mon, 27 Jul 2026 21:13:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.624057
- Title: Diff-ID: Identity Consistent Facial Image Generation and Morphing via Diffusion Models
- Title（参考訳）: Diff-ID:拡散モデルによる顔画像の生成と形態形成
- Abstract要約: 拡散に基づくフレームワークであるDiff-IDを導入し,フォトリアリスティックな品質を提供しながらアイデンティティの整合性を実現する。
本稿では,ArcFaceのコサイン類似度と指数時間重み付けに基づく擬似識別器の損失を提案し,その識別精度を向上する。
実験によると、Diff-IDは生のArcFace Face similarityにおいてInstantIDを超えていないが、FIDとFIQベースで最強のアイデンティティ-リアリズムのトレードオフを実現している。
- 参考スコア（独自算出の注目度）: 42.651660700496606
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Generative diffusion models have revolutionized facial image synthesis, yet robust identity preservation in high resolution outputs remains a critical challenge. This issue is especially vital for security systems, biometric authentication, and privacy sensitive applications, where any drift in identity integrity can undermine trust and functionality. We introduce Diff-ID, a diffusion based framework that enforces identity consistency while delivering photorealistic quality. Central to our approach is a custom 210K image dataset synthesized from CelebA-HQ, FFHQ, and LAION-Face and captioned via a fine tuned BLIP model to bolster identity awareness during training. Diff-ID integrates ArcFace and CLIP embeddings through a dual cross attention adapter within a fine tuned Stable Diffusion UNet. To further reinforce identity fidelity, we propose a pseudo discriminator loss based on ArcFace cosine similarity with exponential timestep weighting. Experiments on held out and unseen faces show that Diff-ID does not exceed InstantID in raw ArcFace Face Similarity, but achieves substantially lower FID and the strongest FIQ based identity--realism trade off among the evaluated methods. We also present a unified DDIM based morphing pipeline that enables qualitative facial interpolation without per identity fine tuning. We further argue that identity preservation and photorealism should be evaluated jointly rather than in isolation, as high identity similarity alone does not guarantee realistic outputs. To make this trade off explicit, we report Face Image Quality (FIQ) as a complementary ratio based score that combines identity similarity and perceptual realism while keeping FS and FID as the primary metrics.
- Abstract（参考訳）: 生成拡散モデルは顔画像合成に革命をもたらしたが、高解像度出力における堅牢なアイデンティティ保存は依然として重要な課題である。
この問題は、セキュリティシステム、バイオメトリック認証、プライバシーに敏感なアプリケーションにおいて特に重要であり、アイデンティティの整合性は信頼と機能を損なう可能性がある。
拡散に基づくフレームワークであるDiff-IDを導入し,フォトリアリスティックな品質を提供しながらアイデンティティの整合性を実現する。
私たちのアプローチの中心は、CelebA-HQ、FFHQ、LAION-Faceから合成されたカスタム210Kイメージデータセットで、トレーニング中のアイデンティティ認識を促進するための微調整BLIPモデルによってキャプションされる。
Diff-IDはArcFaceとCLIPを、微調整されたStable Diffusion UNet内の2つのクロスアテンションアダプタを通じて統合する。
本研究では,ArcFaceコサイン類似度と指数時間重み付けに基づく擬似識別器損失を提案する。
Diff-IDは生のArcFace Face LikeityにおいてInstantIDを超えていないが、FIDが著しく低く、FIQベースのアイデンティティーが最強であることを示す。
また,ID単位の微調整を行うことなく,定性的な顔の補間を可能にする統合DDIMベースのモーフィングパイプラインを提案する。
我々はまた、アイデンティティの類似性だけでは現実的な出力を保証できないため、アイデンティティの保存とフォトリアリズムは単独でではなく、共同で評価されるべきであると主張する。
これを明確にするために、FSとFIDを主要な指標として保ちながら、アイデンティティの類似性と知覚的リアリズムを組み合わせた相補的比率に基づくスコアとして、顔画像品質(FIQ)を報告する。
関連論文リスト
- PIU: Proximity-guided Identity Unlearning in ID-Conditioned Diffusion Models [2.260041671242786]
我々は、顔生成のための最先端のアイデンティティ条件付き潜時拡散モデルであるArc2Faceでアイデンティティアンラーニングを研究する。
本稿では,Pu(Proximity-guided Identity Unlearning)について紹介する。
論文 参考訳（メタデータ） (2026-05-21T10:55:56Z) - Face inpainting with Identity Preserving Latent Diffusion Models [10.348748950921667]
ID-ControlNetは、潜伏拡散モデルに基づいて構築された、ID保存のフェイスペイントフレームワークである。
我々は、生成した顔とターゲットの識別表現とのアライメントを明確に強制する、アイデンティティ一貫性と三重項損失トレーニング戦略を導入する。
論文 参考訳（メタデータ） (2026-05-15T23:19:43Z) - SIDeR: Semantic Identity Decoupling for Unrestricted Face Privacy [53.75084833636302]
本稿では,非制限顔プライバシー保護のためのセマンティックデカップリング駆動フレームワークSIDeRを提案する。
SIDeRは、顔画像をマシン認識可能な識別特徴ベクトルと視覚的に知覚可能なセマンティックな外観成分に分解する。
認証されたアクセスのために、SIDeRは正しいパスワードが提供されるときに元の形式に復元できる。
論文 参考訳（メタデータ） (2026-02-04T19:30:48Z) - Beyond Inference Intervention: Identity-Decoupled Diffusion for Face Anonymization [55.29071072675132]
顔の匿名化は、非同一性属性を保持しながら、識別情報を隠蔽することを目的としている。
トレーニング中心の匿名化フレームワークである textbfIDsuperscript2Face を提案する。
IDtextsuperscript2Faceは、視覚的品質、アイデンティティの抑制、ユーティリティ保存において、既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2025-10-28T09:28:12Z) - Personalized Face Super-Resolution with Identity Decoupling and Fitting [50.473357681579664]
極端な劣化シナリオでは、重要な属性とID情報が入力画像で著しく失われることが多い。
既存の方法では、そのような条件下で幻覚顔を生成する傾向があり、真のID制約を欠いた復元画像を生成する。
本稿ではIDデカップリング・フィッティング(IDFSR)を用いた新しいFSR手法を提案する。
論文 参考訳（メタデータ） (2025-08-13T02:33:11Z) - Robust ID-Specific Face Restoration via Alignment Learning [14.7430941613282]
本稿では,拡散モデルに基づく新しい顔復元フレームワークであるRobust ID-Specific Face Restoration (RIDFR)を提案する。
RIDFRにはアライメント・ラーニング(Alignment Learning)が組み込まれており、複数の参照からの復元結果を同一のアイデンティティと整合させて、ID非関連顔のセマンティクスの干渉を抑制する。
実験により、我々のフレームワークは最先端の手法よりも優れており、高品質なID固有の結果を高いアイデンティティの忠実度で再現し、強靭性を示す。
論文 参考訳（メタデータ） (2025-07-15T03:16:12Z) - ID$^3$: Identity-Preserving-yet-Diversified Diffusion Models for Synthetic Face Recognition [60.15830516741776]
合成顔認識(SFR)は、実際の顔データの分布を模倣するデータセットを生成することを目的としている。
拡散燃料SFRモデルであるtextID3$を紹介します。
textID3$はID保存損失を利用して、多様だがアイデンティティに一貫性のある顔の外観を生成する。
論文 参考訳（メタデータ） (2024-09-26T06:46:40Z) - Disentangle Before Anonymize: A Two-stage Framework for Attribute-preserved and Occlusion-robust De-identification [55.741525129613535]
匿名化前の混乱」は、新しい二段階フレームワーク(DBAF)である
このフレームワークには、Contrastive Identity Disentanglement (CID)モジュールとKey-authorized Reversible Identity Anonymization (KRIA)モジュールが含まれている。
大規模な実験により,本手法は最先端の非識別手法より優れていることが示された。
論文 参考訳（メタデータ） (2023-11-15T08:59:02Z) - FaceDancer: Pose- and Occlusion-Aware High Fidelity Face Swapping [62.38898610210771]
そこで我々は,FaceDancerという顔のスワップとID転送のための新しい単一ステージ手法を提案する。
アダプティブ・フィーチャー・フュージョン・アテンション(AFFA)と解釈的特徴類似性規則化(IFSR)の2つの主要なコントリビューションがある。
論文 参考訳（メタデータ） (2022-10-19T11:31:38Z)
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。