論文の概要: Low-Quality Face Recognition using Center Aligned Representations and Local Margin Constraints

• arxiv url: http://arxiv.org/abs/2609.01014v1
• Date: Tue, 01 Sep 2026 10:04:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.547217
• Title: Low-Quality Face Recognition using Center Aligned Representations and Local Margin Constraints
• Title（参考訳）: 中心配向表現と局所辺縁制約を用いた低品質顔認証
• Authors: Vedat Can Dilaver, Benjamin S. Riggan,
• Abstract要約: 低品質顔認証(LQFR)は、低品質(LQ)入力画像と劣化したクエリ(プローブ)画像のマッチングが困難であるため、依然として困難である。 1)モデルの識別環境から直接サンプルごとの難易度を推定するローカル確率マージン(LPM)、(2)選択したトランスフォーマー層に自己保持機構を組み込んだ新しい低ランクアダプタモジュールであるNested Attention Module(NAM)、(3)既製の画像品質推定器がアダプタコントリビューションを変調する品質ゲーティングプロトコル(QGP)の3つの主要なコンポーネントを組み合わせた統合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.0885910878567457
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Low-quality face recognition (LQFR) remains challenging due to the difficulty of matching degraded query (probe) images against low-quality (LQ) enrollment (gallery) imagery and the scarcity of training data for large-scale models. While recent face recognition (FR) models perform well on high-quality (HQ) imagery, their accuracy drops significantly on LQ images with extremely low signal-to-noise ratio (SNR). Moreover, fine-tuning HQ-pretrained models on LQ data often improves LQ recognition at the expense of HQ generalization. This trade-off becomes more pronounced in modern evaluation settings spanning multiple datasets with varying image quality levels. To address these limitations, we propose a unified framework that combines three main components: (1) Local Probability Margin (LPM), which estimates per-sample difficulty directly from the model's discriminative landscape; (2) Nested Attention Module (NAM), a new low-rank adapter module that embeds a self-attention mechanism within selected transformer layers; and (3) Quality Gating Protocol (QGP), where an off-the-shelf image quality estimator modulates the adapter contribution at test time, enabling a single model to handle the full quality spectrum without sacrificing HQ performance. Experiments on surveillance (TinyFace, SurvFace) and standard (IJB-B, IJB-C) face recognition benchmarks demonstrate consistent gains in both identification and verification. Code and models will be released at github.com/candllq/nam.
• Abstract（参考訳）: 低品質顔認証(LQFR)は、低品質(LQ)画像と低品質(Gallery)画像との整合性の難しさと、大規模モデルのトレーニングデータの不足により、依然として困難である。 近年の顔認識(FR)モデルは高品質(HQ)画像上では良好に動作するが,信号対雑音比(SNR)が極めて低いLQ画像では精度が著しく低下する。 さらに、LQデータに基づく微調整された本社前モデルでは、本社の一般化を犠牲にしてLQ認識が向上することがしばしばある。 このトレードオフは、画像品質の異なる複数のデータセットにまたがる現代的な評価設定でより顕著になる。 これらの制約に対処するため、(1)モデルの識別環境から直接サンプルごとの難易度を推定するローカル確率マージン(LPM)、(2)選択したトランスフォーマー層に自己保持機構を組み込んだ新しい低ランクアダプタモジュールであるNested Attention Module(NAM)、(3)オフザシェルフ画像品質推定器がテスト時にアダプタコントリビューションを変調し、単一のモデルでHQ性能を犠牲にすることなく完全な品質スペクトルを処理できるようにする品質ゲーティングプロトコル(QGP)の3つの主要なコンポーネントを組み合わせた統合フレームワークを提案する。 監視(TinyFace、SurvFace)と標準(IJB-B、IJB-C)の顔認識ベンチマーク実験は、識別と検証の両方において一貫した利得を示す。 コードとモデルはgithub.com/candllq/namでリリースされる。

関連論文リスト

• Causal Disentanglement for Full-Reference Image Quality Assessment [21.96346718260435]
  本稿では,因果推論と疎結合表現学習に基づく新しいFR-IQAパラダイムを提案する。 本手法は,潜在表現への介入によって導かれる因果解離過程として劣化推定を定式化する。 本手法は, 完全教師付き, ラベルなし, ラベルなしの標準IQAベンチマークにおいて, 高い競合性能を実現する。
  論文  参考訳（メタデータ） (2026-04-23T13:18:13Z)
• Beyond Ground-Truth: Leveraging Image Quality Priors for Real-World Image Restoration [21.358966811756645]
  実世界の画像復元は、制御されていない条件下で取得した劣化した低品質(LQ)入力から高品質(HQ)イメージを復元することを目的としている。 既存の手法は通常、GTが完全な基準品質を提供すると仮定して、GTの監督に依存する。 本研究では,事前学習したNo-Reference Image Quality Assessment(NR-IQA)モデルから抽出した画像品質優先(IQP)モデルを提案する。
  論文  参考訳（メタデータ） (2026-03-31T14:13:10Z)
• Q-Probe: Scaling Image Quality Assessment to High Resolution via Context-Aware Agentic Probing [10.754977682331855]
  シンキング・ウィズ・イメージ」パラダイムは、自然界の深みをアーティファクトとして誤解し、刺激的な「クロール・インプリーズ・デグラデーション」バイアスを誘発する。 Q-Probeは,IQAを文脈認識型探索により高分解能に拡張するために設計された,最初のエージェント型IQAフレームワークである。 Q-Probeは、高解像度設定で最先端の性能を実現し、解像度スケールで優れた効率を維持する。
  論文  参考訳（メタデータ） (2026-01-21T08:02:32Z)
• TRIQA: Image Quality Assessment by Contrastive Pretraining on Ordered Distortion Triplets [31.2422359004089]
  No-Reference (NR) IQA は参照画像がないため、特に困難である。 本稿では,限られた数の参照コンテンツ画像を用いて,カスタムデータセットを構築する新しい手法を提案する。 対照的な三重項学習を用いて品質認識モデルを訓練し、より少ないサンプルで効率的なトレーニングを可能にする。
  論文  参考訳（メタデータ） (2025-07-16T23:43:12Z)
• IQPFR: An Image Quality Prior for Blind Face Restoration and Beyond [56.99331967165238]
  Blind Face Restoration (BFR)は、劣化した低品質(LQ)の顔画像を高品質(HQ)の出力に再構成する課題に対処する。 本研究では,非参照画像品質評価(NR-IQA)モデルから得られた画像品質優先(IQP)を組み込んだ新しいフレームワークを提案する。 提案手法は,複数のベンチマークにおいて最先端技術より優れている。
  論文  参考訳（メタデータ） (2025-03-12T11:39:51Z)
• Q-Ground: Image Quality Grounding with Large Multi-modality Models [61.72022069880346]
  Q-Groundは、大規模な視覚的品質グラウンドに取り組むための最初のフレームワークである。 Q-Groundは、大規模なマルチモダリティモデルと詳細な視覚的品質分析を組み合わせる。 コントリビューションの中心は、QGround-100Kデータセットの導入です。
  論文  参考訳（メタデータ） (2024-07-24T06:42:46Z)
• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [73.6767681305851]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)

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。