論文の概要: Improving Low-Resolution Face Recognition under Limited Data: How Synthetic Data Generation Can Close the Domain Gap

• arxiv url: http://arxiv.org/abs/2608.06580v1
• Date: Thu, 06 Aug 2026 20:49:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.286839
• Title: Improving Low-Resolution Face Recognition under Limited Data: How Synthetic Data Generation Can Close the Domain Gap
• Title（参考訳）: 限られたデータによる低分解能顔認識の改善:合成データ生成がドメインギャップを閉じる方法
• Abstract要約: 本稿では,エッジ指向顔認識システムのための簡易な合成手法を提案する。 我々は、これらの戦略を、合成クロスレゾリューション・フェース・ベンチマークと、現実世界のLRデータセットであるTinyFaceで評価する。 本研究は, 実LRおよび直流ベースラインに対して, LR顔認識のための生成手法を検証しなければならないと結論付けた。
• 参考スコア（独自算出の注目度）: 39.806874413048895
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Face Recognition (FR) systems in surveillance settings often encounter Low Resolution (LR) faces, those whose face region falls below the standard 112 $\times$ 112 input size. While labelled High Resolution (HR) training data is abundant, labelled native-LR data, and above all paired native LR/HR data, is scarce. One workaround is to synthesize LR data from the available HR faces, but how much synthesis effort is repaid in recognition accuracy remains unclear. We present a study of simple synthetic generation strategies for a compact, edge device-oriented face recognition system, spanning interpolation-based degradation, knowledge distillation, a Prepended Domain Transformer (PDT), Real ESRGAN-style degradation, and a learned Super Resolution (SR) front-end with an identity-aware loss. We evaluate these strategies on synthetic cross-resolution face benchmarks (LFW, CFP-FP, AgeDB-30) and on TinyFace, a real-world native LR dataset, and expose a synthetic-real gap: the degradation setting that is optimal on synthetic benchmarks is not the one that is optimal on real LR. We find that more synthesis effort does not help monotonically: the learned SR front-end does not surpass a direct feed of the aligned LR image into a strong backbone, while simple interpolation augmentation of a compact backbone is the only synthesis that improves over its own baseline. We conclude that generative methods for LR face recognition must be validated on real LR and against a direct-feed baseline, and release our pipeline at https://idiap.ch/paper/synth-lrfr
• Abstract（参考訳）: 監視設定における顔認識(FR)システムは、通常112ドル\times$112入力サイズを下回るローレゾリューション(LR)面にしばしば遭遇する。 ラベル付き高分解能(HR)トレーニングデータは豊富であるが、ラベル付きネイティブLRデータ、さらに、すべてのペア付きネイティブLR/HRデータが不足している。 1つの回避策は、利用可能なHR面からLRデータを合成することである。 本稿では,コンパクトなエッジデバイス指向の顔認識システムにおいて,補間に基づく劣化,知識蒸留,事前ドメイン変換器(PDT),リアルESRGANスタイルの劣化,学習された超解像(SR)フロントエンドにID認識ロスを付与する簡易な合成手法を提案する。 我々は,これらの戦略を,実世界のネイティブLRデータセットであるTinyFace上でのLFW,CFP-FP, AgeDB-30)や,合成現実のギャップを露呈する合成クロスレゾリューション顔のベンチマーク(LFW,CFP-FP, AgeDB-30)で評価する。 学習されたSRフロントエンドは、整列したLR画像の強いバックボーンへの直接のフィードを超えず、コンパクトなバックボーンの単純な補間は、自身のベースラインよりも改善する唯一の合成である。 我々は、LR顔認識のための生成法は、実LRおよび直接フィードベースラインに対して検証されなければならないと結論付け、パイプラインをhttps://idiap.ch/paper/synth-lrfrでリリースする。

関連論文リスト

• Language-Assisted Super-Resolution from Real-World Low-Resolution Patches [57.798457338415005]
  単一画像超解像は、低解像度(LR)入力から高解像度(HR)画像を再構成することを目的としている。 ほとんどの方法は、手作りのカーネルやカメラISPの調整によるHR画像の分解によってLR画像を合成する。 未ペアSRのための新しいフレームワークであるLA-SR(Language Assistant for SR)を提案する。
  論文  参考訳（メタデータ） (2026-06-30T08:57:38Z)
• RefReward-SR: LR-Conditioned Reward Modeling for Preference-Aligned Super-Resolution [26.50828843718706]
  RefReward-SRは、RSRの低解像度(LR)参照型報酬モデルである。 LR入力に条件付けされた高分解能(HR)再構成を評価し、LRイメージをセマンティックアンカーとして扱う。 我々の枠組みは人的判断との整合性を大幅に向上させ,意味的整合性を維持する再構成を創出する。
  論文  参考訳（メタデータ） (2026-03-25T11:20:51Z)
• Dual-domain Adaptation Networks for Realistic Image Super-resolution [81.34345637776408]
  現実画像超解像(SR)は、現実世界の低解像度(LR)画像を高解像度(HR)画像に変換することに焦点を当てている。 現在の手法は、限られた現実世界のLR-HRデータと競合し、基本的な画像特徴の学習に影響を及ぼす。 我々は、シミュレーションされた画像SRモデルを実世界のデータセットに効率よく適応できる新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-11-21T12:57:23Z)
• Enhanced Super-Resolution Training via Mimicked Alignment for Real-World Scenes [51.92255321684027]
  トレーニング中、LR入力とHR画像の整列により、誤調整問題を緩和する新しいプラグアンドプレイモジュールを提案する。 具体的には,従来のLR試料の特徴を保ちながらHRと整合する新しいLR試料を模倣する。 本手法を合成および実世界のデータセット上で総合的に評価し,SRモデルのスペクトル間での有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-07T18:18:54Z)
• LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single Image Super-Resolution and Beyond [75.37541439447314]
  単一画像超解像(SISR)は、低解像度(LR)画像を高解像度(HR)バージョンにアップサンプリングする根本的な問題を扱う。 本稿では,線形組立画素適応回帰ネットワーク (LAPAR) を提案する。
  論文  参考訳（メタデータ） (2021-05-21T15:47:18Z)
• Deep Generative Adversarial Residual Convolutional Networks for Real-World Super-Resolution [31.934084942626257]
  我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。 これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。 提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
  論文  参考訳（メタデータ） (2020-05-03T00:12:38Z)
• Learning to Zoom-in via Learning to Zoom-out: Real-world Super-resolution by Generating and Adapting Degradation [91.40265983636839]
  本稿では,SR を任意の LR と HR 画像から学習するためのフレームワークを提案する。 我々は、劣化適応SRネットワークを学習しながら、生成されたデータと実データとの差を最小限にする。 提案手法は,ペア学習法をより好むデータセットであっても,実世界の画像上での最先端のSR結果を実現する。
  論文  参考訳（メタデータ） (2020-01-08T05:17:02Z)

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。