論文の概要: DenseFace: Bias Mitigation in Face Recognition via Density-Aware Probabilistic Matching

• arxiv url: http://arxiv.org/abs/2609.16149v1
• Date: Mon, 14 Sep 2026 18:00:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.164214
• Title: DenseFace: Bias Mitigation in Face Recognition via Density-Aware Probabilistic Matching
• Title（参考訳）: DenseFace:密度認識確率マッチングによる顔認識のバイアス軽減
• Abstract要約: 本稿では,事前学習した顔認識モデルにおける人種バイアスを,精度を損なうことなく低減する手法を提案する。 DenseFaceは認識精度を保ち、基礎となる顔認識モデルの再トレーニングを必要としない。 また,従来採用されていたバイアス対策も検討し,提案を行った。
• 参考スコア（独自算出の注目度）: 18.786403110326038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite steady progress in face recognition, current face recognition models still suffer from significant demographic biases. While approaches for bias mitigation have been proposed, existing methods often impose constraints on the training procedure and result in the degradation of recognition accuracy. To address this issue, we here introduce a method that reduces racial bias in pre-trained face recognition models without compromising their accuracy. To this end, we model face embeddings of each person by von Mises-Fisher (MF) distribution. We next observe the dependency between demographic attributes and the density of MF distributions, and propose DenseFace, a probabilistic face matching procedure that accounts for differences in MF distributions. Our extensive experiments demonstrate DenseFace to consistently reduce racial bias in strong face recognition models varying in network architectures, training datasets and loss functions. Notably, DenseFace preserves recognition accuracy and requires no retraining of the underlying face recognition model. Our work also investigates previously adopted bias measures and makes suggestions.
• Abstract（参考訳）: 顔認識の着実に進歩しているにもかかわらず、現在の顔認識モデルは大きな人口統計バイアスに悩まされている。 バイアス軽減のためのアプローチが提案されているが、既存の手法はトレーニング手順に制約を課し、認識精度を低下させる。 そこで本研究では,事前学習した顔認識モデルにおける人種バイアスを,精度を損なうことなく低減する手法を提案する。 この目的のために、von Mises-Fisher (MF) 分布を用いて、各人物の顔埋め込みをモデル化する。 次に、人口統計特性とMF分布密度の依存性を考察し、MF分布の違いを考慮に入れた確率的顔マッチング手法であるDenseFaceを提案する。 我々の大規模な実験は、DenseFaceがネットワークアーキテクチャ、データセットのトレーニング、損失関数で変化する強力な顔認識モデルにおいて、人種バイアスを一貫して減少させることを示した。 特に、DenseFaceは認識精度を保ち、基礎となる顔認識モデルの再トレーニングを必要としない。 また,従来採用されていたバイアス対策も検討し,提案を行った。

関連論文リスト

• MoDE: Mixture of Diffusion Experts for Any Occluded Face Recognition [0.0]
  本稿では,OFRの拡散専門家(MoDE)の同一性を持つ混合体を提案する。 複数再構成された顔から有効な情報をアンサンブルするために,アイデンティティ・ゲーティング・ネットワークを導入する。 私たちのMoDEは、既存のほとんどの顔認識モデルのためのプラグイン・アンド・プレイモジュールです。
  論文  参考訳（メタデータ） (2025-05-07T10:29:39Z)
• Local Features Meet Stochastic Anonymization: Revolutionizing Privacy-Preserving Face Recognition for Black-Box Models [54.88064975480573]
  プライバシー保護顔認証(PPFR)の課題は現在、2つの未解決課題に直面している。 グローバルな特徴の破壊と局所的な特徴の強化により,ブラックボックス環境においても効果的に認識できる。 本手法は,ブラックボックスモデルの平均認識精度94.21%を達成し,プライバシ保護とアンチコンストラクションの両面で既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-12-11T10:49:15Z)
• OSDFace: One-Step Diffusion Model for Face Restoration [72.5045389847792]
  拡散モデルは、顔の修復において顕著な性能を示した。 顔復元のための新しいワンステップ拡散モデルOSDFaceを提案する。 その結果,OSDFaceは現状のSOTA(State-of-the-art)手法を視覚的品質と定量的指標の両方で上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-26T07:07:48Z)
• Watch Out for the Confusing Faces: Detecting Face Swapping with the Probability Distribution of Face Identification Models [37.49012763328351]
  顔識別確率分布に基づく顔交換検出手法を提案する。 IdP_FSDは、有限集合に属するスワップされた顔を検出するために特別に設計されている。 IdP_FSDは、顔交換に関わる2つの顔の同一性は、顔交換の共通性を利用する。
  論文  参考訳（メタデータ） (2023-03-23T09:33:10Z)
• Controllable Inversion of Black-Box Face Recognition Models via Diffusion [8.620807177029892]
  我々は,事前学習した顔認識モデルの潜在空間を,完全なモデルアクセスなしで反転させる作業に取り組む。 本研究では,条件付き拡散モデル損失が自然発生し,逆分布から効果的にサンプル化できることを示す。 本手法は,生成過程を直感的に制御できる最初のブラックボックス顔認識モデル逆変換法である。
  論文  参考訳（メタデータ） (2023-03-23T03:02:09Z)
• Are Face Detection Models Biased? [69.68854430664399]
  顔領域の局所化による顔検出領域のバイアスについて検討した。 既存の顔検出データセットの多くは、このような分析に適したアノテーションを欠いている。 性別や肌の音色による検出精度の相違を観察し, 画像診断以外の要因の相互関係を考察した。
  論文  参考訳（メタデータ） (2022-11-07T14:27:55Z)
• Rethinking Bias Mitigation: Fairer Architectures Make for Fairer Face Recognition [107.58227666024791]
  顔認識システムは、法執行を含む安全クリティカルなアプリケーションに広くデプロイされている。 彼らは、性別や人種など、様々な社会的デデノグラフィー次元に偏見を示す。 バイアス軽減に関するこれまでの研究は、主にトレーニングデータの事前処理に重点を置いていた。
  論文  参考訳（メタデータ） (2022-10-18T15:46:05Z)
• End2End Occluded Face Recognition by Masking Corrupted Features [82.27588990277192]
  最先端の一般的な顔認識モデルは、隠蔽された顔画像に対してうまく一般化しない。 本稿では,1つのエンドツーエンドのディープニューラルネットワークに基づいて,オクルージョンに頑健な新しい顔認識手法を提案する。 我々のアプローチは、深い畳み込みニューラルネットワークから破損した特徴を発見し、動的に学習されたマスクによってそれらをきれいにする。
  論文  参考訳（メタデータ） (2021-08-21T09:08:41Z)
• Learning Fair Face Representation With Progressive Cross Transformer [79.73754444296213]
  フェアフェイス認識のためのプログレッシブクロストランス (PCT) 手法を提案する。 我々は,PCTが最先端FR性能を達成しつつ,顔認識におけるバイアスを軽減することができることを示した。
  論文  参考訳（メタデータ） (2021-08-11T01:31:14Z)
• BioMetricNet: deep unconstrained face verification through learning of metrics regularized onto Gaussian distributions [25.00475462213752]
  深層非拘束顔認証のための新しいフレームワークであるBioMetricNetを提案する。 提案手法では、顔の特徴について具体的な指標を課していない。 マッチングと非マッチングのペアを、明確に分離された、よく定義されたターゲット分布にマッピングする潜在表現を学習することで、決定空間を形成する。
  論文  参考訳（メタデータ） (2020-08-13T17:22:46Z)

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。