論文の概要: Learning to Attract and Repel: Dual Quality Margin Learning for Face Recognition (DQM-Face)

• arxiv url: http://arxiv.org/abs/2609.02644v1
• Date: Wed, 02 Sep 2026 14:19:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.410461
• Title: Learning to Attract and Repel: Dual Quality Margin Learning for Face Recognition (DQM-Face)
• Title（参考訳）: DQM-Face(DQM-Face)のための二重品質マージン学習(DQM-face)
• Abstract要約: 顔認識のためのデュアル品質マージン学習(DQM-Face)を提案する。 提案手法は,従来の等級に基づく品質評価を,新たに導入された意味的品質学習機構と統合する。 DQM-Faceは、最先端の顔認識手法よりも一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 2.8417859325668933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face recognition in unconstrained environments remains highly challenging due to diverse and extreme variations encountered in real-world scenarios. To mitigate these effects, existing margin-based approaches model sample quality through feature magnitude. However, magnitude-based modeling alone is susceptible to identity-agnostic noise, which can degrade the reliability and discriminative power of learned representations. In this paper, we propose Dual Quality Margin Learning for Face Recognition (DQM-Face), a novel framework that enables refined attraction and repulsion dynamics during representation learning. Our approach unifies conventional magnitude-based quality estimation with a newly introduced semantic quality learning mechanism, realized via squeeze-and-excitation semantic attention. By jointly leveraging magnitude and semantic cues, we construct enhanced quality-aware margins that adaptively strengthen intra-class compactness through improved attraction during learning. To further enhance inter-class discrimination, we introduce a repulsion margin formulation that explicitly enlarges inter-class separation. The unified integration of semantic quality modeling with dual attraction-repulsion margin optimization results in a more structured and discriminative feature geometry. Extensive experiments on multiple challenging benchmarks demonstrate that DQM-Face consistently outperforms state-of-the-art face recognition methods. Moreover, we show that the quality learned for margin optimization is highly effective for face image quality assessment within the proposed framework, demonstrating that the learned quality signal is intrinsically aligned with the recognition objective. The code is publicly available: https://github.com/RAIB-group/DQM-Face
• Abstract（参考訳）: 制約のない環境での顔認識は、現実世界のシナリオで発生する多様で極端なバリエーションのため、非常に困難である。 これらの効果を軽減するために、既存のマージンベースのアプローチは、特徴量を通じてサンプル品質をモデル化する。 しかし、マグニチュード・ベース・モデリングだけではアイデンティティに依存しないノイズの影響を受けやすいため、学習された表現の信頼性と識別力は低下する。 本稿では,表現学習における魅力と反発のダイナミクスを向上する新しいフレームワークであるDQM-Face(Dual Quality Margin Learning for Face Recognition)を提案する。 提案手法は,従来の等級に基づく品質評価を,新たに導入されたセマンティック品質学習機構と統合し,圧縮と励起のセマンティックアテンションによって実現した。 規模と意味を共同で活用することにより,学習時の魅力の向上を通じて,クラス内コンパクト性を適応的に強化する品質認識マージンを構築した。 クラス間識別をさらに強化するために,クラス間分離を明示的に拡大する反発マージンの定式化を導入する。 セマンティック品質モデリングと双対アトラクション-反発マージン最適化の統合により、より構造化され識別可能な特徴幾何が得られる。 複数の挑戦的なベンチマークに関する大規模な実験は、DQM-Faceが常に最先端の顔認識手法より優れていることを示した。 さらに,提案フレームワーク内の顔画像品質評価において,マージン最適化のために得られた品質が極めて有効であることを示し,学習された品質信号が認識目的と本質的に一致していることを示す。 コードは https://github.com/RAIB-group/DQM-Face で公開されている。

関連論文リスト

• FunFace: Feature Utility and Norm Estimation for Face Recognition [18.869940706289807]
  顔認識(FR)は、エンターテイメントや銀行、セキュリティ、監視など、さまざまなアプリケーションドメインで使用されている。 本稿では,Certainty Ratioによって推定されるバイオメトリック・ユーティリティを適応的マージンに組み込んだ新たなアダプティブ・マージン損失FunFaceを提案する。 FunFaceは、高品質のサンプルを含むベンチマークで、他の最先端FRモデルと競合し、低品質のベンチマークではそれらを上回っている。
  論文  参考訳（メタデータ） (2026-04-29T12:28:27Z)
• QCFace: Image Quality Control for boosting Face Representation & Recognition [0.1826848871278733]
  本稿では,相互重なり合う問題を克服し,識別可能性と識別性との明確な分離を可能にするQCFaceを紹介する。 QCFaceは、既存の認識可能性に基づく損失と比較して、検証と識別のベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-10-17T04:00:20Z)
• TransFIRA: Transfer Learning for Face Image Recognizability Assessment [73.61309363885552]
  TransFIRAは軽量でアノテーションのないフレームワークで、埋め込みスペースで直接認識できる。 顔以外の新しい拡張には、エンコーダで座屈した説明可能性があり、これは、劣化と被写体固有の要因が認識可能性にどのように影響するかを示す。 実験では、顔に対する最先端の結果、身体認識に対する強い堅牢性、およびデータセット間のシフトの下で確認された。
  論文  参考訳（メタデータ） (2025-10-07T18:16:21Z)
• 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)
• Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
  画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。 十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。 近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。 本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
  論文  参考訳（メタデータ） (2024-04-23T11:45:32Z)
• Recognizability Embedding Enhancement for Very Low-Resolution Face Recognition and Quality Estimation [21.423956631978186]
  本研究では,視覚的品質ではなく,埋め込み空間における顔の認識性を高めるための原則的アプローチについて検討する。 まず、頑健な学習に基づく顔認識度尺度、すなわち認識可能性指標(RI)を定式化する。 次に、認識不能な顔クラスタから低RIで埋め込んだ難認識顔を、認識不能な顔クラスタから切り離して、認識可能性の向上を反映した指標変換損失を考案する。
  論文  参考訳（メタデータ） (2023-04-20T03:18:03Z)
• CR-FIQA: Face Image Quality Assessment by Learning Sample Relative Classifiability [2.3624125155742055]
  本稿では,学習過程における内部ネットワーク観測を学習する新しい学習パラダイムを提案する。 提案するCR-FIQAは,このパラダイムを用いて,サンプルの顔画像品質を,その相対的分類可能性の予測により推定する。 本研究では, 最先端(SOTA) FIQAアルゴリズムよりもCR-FIQAの方が優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-13T12:18:43Z)
• QMagFace: Simple and Accurate Quality-Aware Face Recognition [5.5284501467256515]
  本稿では,QMag-Face(QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face)を提案する。 いくつかの顔認識データベースとベンチマークで実施された実験は、導入された品質認識が認識性能を一貫した改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-11-26T12:44:54Z)
• Multi-Margin based Decorrelation Learning for Heterogeneous Face Recognition [90.26023388850771]
  本稿では,超球面空間におけるデコリレーション表現を抽出するディープニューラルネットワーク手法を提案する。 提案するフレームワークは,不均一表現ネットワークとデコリレーション表現学習の2つのコンポーネントに分けることができる。 2つの難解な異種顔データベースに対する実験結果から,本手法は検証タスクと認識タスクの両方において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-05-25T07:01:12Z)
• Dual-Attention GAN for Large-Pose Face Frontalization [59.689836951934694]
  本稿では,フォトリアリスティック顔フロンダル化のためのDA-GAN(Dual-Attention Generative Adversarial Network)を提案する。 具体的には、ローカル機能と長距離依存関係を統合するために、自己アテンションベースのジェネレータが導入された。 顔領域の局所的特徴を強調するために,新しい顔認識に基づく識別器を適用した。
  論文  参考訳（メタデータ） (2020-02-17T20:00:56Z)
• Deep Multi-task Multi-label CNN for Effective Facial Attribute Classification [53.58763562421771]
  DMM-CNN(ディープ・マルチタスク・マルチラベル・CNN)による効果的な顔属性分類(FAC)を提案する。 具体的には、DMM-CNNは、2つの密接に関連するタスク(顔のランドマーク検出とFAC)を共同で最適化し、マルチタスク学習を活用することにより、FACの性能を向上させる。 2つの異なるネットワークアーキテクチャは2つの属性のグループの特徴を抽出するために設計され、トレーニング中に各顔属性に損失重みを自動的に割り当てる新しい動的重み付け方式が提案されている。
  論文  参考訳（メタデータ） (2020-02-10T12:34:16Z)

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。