論文の概要: Adaptive Adversarial Augmentation for Controllable Face Synthesis

• arxiv url: http://arxiv.org/abs/2610.11356v1
• Date: Thu, 08 Oct 2026 06:48:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.844211
• Title: Adaptive Adversarial Augmentation for Controllable Face Synthesis
• Title（参考訳）: 制御可能な顔合成のための適応的逆数拡張法
• Abstract要約: 本稿では,視覚的リアリズムを保ちながら多様かつ困難なサンプルを生成するためのガイド付きフレームワークであるEnsemble Feedback Controllable Synthesis (EFCS)を提案する。 EFCSは、単一フィードバックやランダム合成に比べて高いFIDとKIDスコアに反映される分布変数を拡張している。 EFCSデータに基づいてトレーニングされた認識モデルは、複数のベンチマークで一貫してベースラインを上回り、現実のシナリオへの一般化が改善された。
• 参考スコア（独自算出の注目度）: 34.064561530177215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic data provides a scalable alternative to real-world datasets for training face recognition models, particularly under challenging conditions such as low resolution, occlusion, and masks. Yet, most approaches lack diversity and fail to generalize effectively. We propose Ensemble Feedback Controllable Synthesis (EFCS), a guided framework that generates diverse and challenging samples while preserving visual realism. EFCS expands distributional variability, often reflected in higher FID and KID scores compared to single-feedback and random synthesis, while maintaining high precision. Recognition models trained on EFCS data consistently outperform baselines across multiple benchmarks, showing improved generalization to real-world scenarios. Furthermore, we introduce an analytically motivated formulation linking perturbation-induced difficulty, sample utility, and performance degradation, offering principled insights into balancing synthetic data complexity for optimal training. Together, these contributions establish EFCS as an effective and analytically grounded approach for bridging the gap between synthetic and real datasets.
• Abstract（参考訳）: 合成データは、特に低解像度、閉塞、マスクといった困難な条件下で、顔認識モデルをトレーニングするための現実世界のデータセットに代わるスケーラブルな代替手段を提供する。 しかし、ほとんどのアプローチは多様性に欠け、効果的に一般化できない。 本稿では,視覚的リアリズムを保ちながら多様かつ困難なサンプルを生成するためのガイド付きフレームワークであるEnsemble Feedback Controllable Synthesis (EFCS)を提案する。 EFCSは、高い精度を維持しながら、単一フィードバックやランダム合成に比べて高いFIDとKIDスコアに反映される分布変動を拡大する。 EFCSデータに基づいてトレーニングされた認識モデルは、複数のベンチマークで一貫してベースラインを上回り、現実のシナリオへの一般化が改善された。 さらに,摂動誘発難易度,サンプルユーティリティ,性能劣化をリンクする解析的動機付け型定式化を導入し,最適トレーニングのための合成データの複雑性のバランスに関する原則的洞察を提供する。 これらの貢献により、EFCSは、合成データセットと実際のデータセットのギャップを埋めるための効果的で解析的なアプローチとして確立される。

関連論文リスト

• IDperturb: Enhancing Variation in Synthetic Face Generation via Angular Perturbation [17.433921935288577]
  合成データは、顔認識(FR)システムのトレーニングのための認証顔データセットの実用的な代替として登場した。 アイデンティティ条件拡散モデルの最近の進歩は、フォトリアリスティックおよびアイデンティティ一貫性のある顔画像の生成を可能にしている。 我々は,合成顔生成の多様性を高めるため,簡易かつ効果的な幾何駆動型サンプリング戦略であるIDPERTURBを提案する。
  論文  参考訳（メタデータ） (2026-02-21T13:23:26Z)
• Towards Syn-to-Real IQA: A Novel Perspective on Reshaping Synthetic Data Distributions [74.00222571094437]
  Blind Image Quality Assessment (BIQA)はディープラーニングを通じて大幅に進歩しているが、大規模なラベル付きデータセットの不足は依然として課題である。 合成データセットから学習した表現は、しばしば回帰性能を妨げる離散的かつクラスタ化されたパターンを示す。 本稿では,BIQAの一般化を促進するために,合成データ分布を再考する新しいフレームワークであるSynDR-IQAを紹介する。
  論文  参考訳（メタデータ） (2026-01-01T06:11:16Z)
• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• EvoSyn: Generalizable Evolutionary Data Synthesis for Verifiable Learning [63.03672166010434]
  我々は、進化的、タスクに依存しない、戦略を導いた、実行可能検証可能なデータ合成フレームワークを紹介します。 問題、多様な候補解、検証成果物を共同で合成する。 これは、人間による注釈付きチェックと戦略によるチェックの合意を強制する一貫性に基づく評価器を通じて戦略を反復的に発見する。
  論文  参考訳（メタデータ） (2025-10-20T11:56:35Z)
• Conditional Data Synthesis Augmentation [4.3108820946281945]
  Conditional Data Synthesis Augmentation (CoDSA)は、マルチモーダルドメイン間のモデルパフォーマンスを改善するために高忠実度データを合成する新しいフレームワークである。 合成データの現実性を高め,スパース領域の試料密度を高めるために,CoDSAファインチューン事前学習生成モデルを構築した。 本稿では,合成サンプル量と対象領域割り当ての関数として,CoDSAが実現した統計的精度向上を定量化する理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-04-10T03:38:11Z)
• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• Hybrid Training Approaches for LLMs: Leveraging Real and Synthetic Data to Enhance Model Performance in Domain-Specific Applications [0.0]
  本研究では,超微調整型大規模言語モデル(LLM)のハイブリッドアプローチについて検討する。 転写された実データと高品質な合成セッションを組み合わせたデータセットを利用することで、ドメイン固有の実データの制限を克服することを目的とした。 本研究は,基本基礎モデル,実データで微調整されたモデル,ハイブリッド微調整されたモデルという3つのモデルを評価した。
  論文  参考訳（メタデータ） (2024-10-11T18:16:03Z)
• Unveiling the Flaws: Exploring Imperfections in Synthetic Data and Mitigation Strategies for Large Language Models [89.88010750772413]
  大規模言語モデル(LLM)の学習における高品質なデータ不足問題に対する解決法として,合成データを提案する。 我々の研究は、Q-A(Q-A)ペア、一般的な合成データに関連するこれらの特定の欠陥を掘り下げ、これらの欠陥を軽減するための未学習技術に基づく方法を提案する。 我々の研究は、より堅牢で効率的なLLMトレーニングを促進することを目的として、合成データの効果的な利用に関する重要な洞察を得た。
  論文  参考訳（メタデータ） (2024-06-18T08:38:59Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)

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。