論文の概要: DIME: Scaling Facial Representation Learning via Differential Masked Autoencoding

• arxiv url: http://arxiv.org/abs/2610.17015v1
• Date: Mon, 12 Oct 2026 15:57:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 03:46:06.259292
• Title: DIME: Scaling Facial Representation Learning via Differential Masked Autoencoding
• Title（参考訳）: DIME:差分マスク自動符号化による顔表現学習のスケーリング
• Abstract要約: 大規模な顔表現学習のための差分マスク付きオートエンコーダであるDIMEを紹介する。 DIMEは単純な観察に基づいており、同一人物の2つの画像はアイデンティティ固有の外観を共有しているため、その違いは顔の変化を露呈する。 DIMEはIDラベルを使用して事前学習ペアを形成するだけで、密集したアノテーションを必要とせず、創発的な部分レベルのセマンティクスで顔の濃密な表現を学習する。
• 参考スコア（独自算出の注目度）: 66.86194409741104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scaling up data and model capacity has driven substantial progress in visual representation learning. However, conventional pretext tasks exhibit diminishing returns on fine-grained facial analysis. We attribute this to a scaling bottleneck: these tasks model each image's appearance and are dominated by identity, pose, and illumination, so subtle within-identity facial differences contribute little to the training signal. We introduce DIME, a differential masked autoencoder for large-scale facial representation learning. DIME builds on a simple observation: two images of the same person share identity-specific appearance, so their difference exposes facial changes. DIME reconstructs both masked images in an identity-matched pair and, through an Explicit Differential Direction Supervision (EDDS) objective, aligns the direction of their reconstructed difference with the true difference, while source isolation makes each reconstruction depend only on its own image. Shared appearance cancels in this difference, and because EDDS ignores magnitude, subtle facial changes count as much as large pose or illumination changes. DIME uses identity labels only to form pretraining pairs, requires no dense annotations, and learns dense facial representations with emergent part-level semantics. We pretrain DIME on 20 million high-resolution facial images consolidated from existing face datasets. DIME's AU detection performance continues to improve as pretraining data scales from 6M to 20M images, with its BP4D F1 increasing by 5.9 points, while MAE gains only 0.5 points on the same subsets. DIME also outperforms specialized facial methods on AU detection, AU intensity estimation, cross-domain anti-spoofing, landmark localization, head pose estimation, face parsing, and face generation.
• Abstract（参考訳）: データとモデルキャパシティのスケールアップは、視覚表現学習の大幅な進歩をもたらした。 しかし,従来の前文タスクでは,きめ細かな顔分析ではリターンが低下している。 これらのタスクは、各画像の外観をモデル化し、アイデンティティ、ポーズ、照明によって支配されるため、微妙な内面差はトレーニング信号にはほとんど寄与しない。 大規模な顔表現学習のための差分マスク付きオートエンコーダであるDIMEを紹介する。 DIMEは単純な観察に基づいており、同一人物の2つの画像はアイデンティティ固有の外観を共有しているため、その違いは顔の変化を露呈する。 DIMEは、両方のマスクされた画像をアイデンティティマッチングされたペアで再構成し、明示的微分方向監督(EDDS)の目的を通じて、その再構成された差の方向を真の差と整列させ、ソース分離により、それぞれの再構成を自身の画像にのみ依存させる。 EDDSは大きさを無視しているため、微妙な顔の変化は大きなポーズや照明の変化を数えている。 DIMEはIDラベルを使用して事前学習ペアを形成するだけで、密集したアノテーションを必要とせず、創発的な部分レベルのセマンティクスで顔の濃密な表現を学習する。 既存の顔データセットから統合された2000万の高解像度顔画像に対してDIMEを事前訓練する。 DIMEのAU検出性能は、6Mから2000Mまでの事前トレーニングデータスケールによって改善され、BP4D F1は5.9ポイント、MAEは同じサブセットで0.5ポイントしか獲得できない。 DIMEはまた、AU検出、AU強度推定、クロスドメイン・アンチ・スプーフィング、ランドマーク・ローカライゼーション、ヘッドポーズ推定、顔解析、顔生成に関する特殊な顔法よりも優れている。

関連論文リスト

• My Emotion on your face: The use of Facial Keypoint Detection to preserve Emotions in Latent Space Editing [40.24695765468971]
  顔表情の変化を制限するために,顔のキーポイント検出モデルの損失関数の追加を提案する。 実験では,感情変化の最大49%の減少が達成された。
  論文  参考訳（メタデータ） (2025-05-09T21:10:27Z)
• Bridging the Gaps: Utilizing Unlabeled Face Recognition Datasets to Boost Semi-Supervised Facial Expression Recognition [5.750927184237346]
  我々は、半教師付きFERを高めるために、大きな未ラベルの顔認識(FR)データセットを活用することに重点を置いている。 具体的には,アノテーションを使わずに大規模な顔画像の事前訓練を行う。 ラベル付き画像や多彩な画像の不足を緩和するために、Mixupベースのデータ拡張戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-23T07:26:19Z)
• Face2Diffusion for Fast and Editable Face Personalization [33.65484538815936]
  顔のパーソナライズのためのFace2Diffusion(F2D)を提案する。 F2Dの背後にある中核的な考え方は、トレーニングパイプラインからアイデンティティ非関連情報を削除することで、オーバーフィッティングの問題を防ぐことである。 F2Dは以下の3つの新しい構成要素から構成される。
  論文  参考訳（メタデータ） (2024-03-08T06:46:01Z)
• From Static to Dynamic: Adapting Landmark-Aware Image Models for Facial Expression Recognition in Videos [88.08209394979178]
  野生における動的表情認識(DFER)は、データ制限によって依然として妨げられている。 抽出された顔のランドマーク認識機能に暗黙的に符号化された既存のSFER知識と動的情報を活用する新しい静的・動的モデル(S2D)を提案する。
  論文  参考訳（メタデータ） (2023-12-09T03:16:09Z)
• Disentangling Identity and Pose for Facial Expression Recognition [54.50747989860957]
  より識別的な特徴表現を学習するために,識別モデルを提案し,不整形表情認識(IPD-FER)モデルを提案する。 アイデンティティエンコーダでは、訓練中に訓練済みの顔認識モデルを利用して固定し、特定の表情訓練データに対する制限を軽減する。 合成された中性画像と同一個体の表情画像との差を比較することにより、表現成分はアイデンティティやポーズからさらに切り離される。
  論文  参考訳（メタデータ） (2022-08-17T06:48:13Z)
• Emotion Separation and Recognition from a Facial Expression by Generating the Poker Face with Vision Transformers [57.1091606948826]
  我々はこれらの課題に対処するため,ポーカー・フェイス・ビジョン・トランスフォーマー (PF-ViT) と呼ばれる新しいFERモデルを提案する。 PF-ViTは、対応するポーカーフェースを生成して、乱れを認識できない感情を静的な顔画像から分離し、認識することを目的としている。 PF-ViTはバニラビジョントランスフォーマーを使用し、そのコンポーネントは大規模な表情データセット上でMasked Autoencodeerとして事前トレーニングされている。
  論文  参考訳（メタデータ） (2022-07-22T13:39:06Z)
• Self-supervised Contrastive Learning of Multi-view Facial Expressions [9.949781365631557]
  顔表情認識(FER)は,人間とコンピュータのインタラクションシステムにおいて重要な構成要素である。 本稿では,多視点表情のコントラスト学習(CL-MEx)を提案する。
  論文  参考訳（メタデータ） (2021-08-15T11:23:34Z)
• Unsupervised Learning Facial Parameter Regressor for Action Unit Intensity Estimation via Differentiable Renderer [51.926868759681014]
  骨駆動型顔モデル(BDFM)に基づいて,異なる視点で顔パラメータを予測する枠組みを提案する。 提案するフレームワークは,特徴抽出器,ジェネレータ,顔パラメータ回帰器から構成される。
  論文  参考訳（メタデータ） (2020-08-20T09:49:13Z)
• Unsupervised Facial Action Unit Intensity Estimation via Differentiable Optimization [45.07851622835555]
  顔画像からの顔AU強度推定のための教師なしフレームワークGE-Netを提案する。 本フレームワークは,入力画像に一致するように顔パラメータを反復的に更新する,微分可能な最適化を行う。 実験により,本手法は既存手法と比較して最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-04-13T12:56:28Z)

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。