論文の概要: Not All Similarity Is Leakage: Distribution-Aware Identity Leakage Assessment in Synthetic Face Datasets

• arxiv url: http://arxiv.org/abs/2610.26077v1
• Date: Mon, 19 Oct 2026 09:34:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:35:08.780895
• Title: Not All Similarity Is Leakage: Distribution-Aware Identity Leakage Assessment in Synthetic Face Datasets
• Title（参考訳）: すべての類似性は漏洩であるとは限らない: 合成顔データセットにおける分布認識型ID漏洩評価
• Abstract要約: 生成モデルとそれらが依存する条件付けプロセスがアイデンティティリークのリスクを生じさせることを示す。 顔認証のための非パラメトリックデータコピーテストに適応し、それを識別レベルまで拡張する尺度であるスケールドオーバーラップ(SO)を提案する。 本分析では,CemiFaceにおける生成モデル条件付けにより,最も急激なリークを伴うデータセットのリークを同定する。
• 参考スコア（独自算出の注目度）: 15.955888114577975
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic data provides the means for more ethical and less biased facial recognition. Nonetheless, the limitations of generative models and the conditioning process they rely on pose a risk of identity leakage, resulting in synthetic samples that are overly similar to those seen in a generator's training set, mitigating privacy benefits. In this work, we show that previously proposed approaches are affected by two key limitations: high classifier dependence and a tendency to identify leakage with respect to real datasets that were not used in training. To address these shortcomings, we propose a novel metric called Scaled Overlap (SO), which adapts a non-parametric data-copying test for facial recognition and extends it to the identity level. By leveraging a multi-model setup that compensates for errors in individual classifiers, it provides insights into the true strength of identity leakage. Our analysis identifies leaking datasets (CemiFace, SFace2, IDNet) with the most acute leakage introduced by generative model conditioning in CemiFace, demonstrates that real datasets do not contribute equally to generator training, and shows that the majority of synthetic images are drawn from multiple identities rather than relying on a single identity. Ultimately, our study provides new insights into the quality of synthetic datasets and gives more reliable techniques to help the community ensure the trustworthiness of synthetic data.
• Abstract（参考訳）: 合成データは、より倫理的でバイアスの少ない顔認識のための手段を提供する。 それでも、生成モデルの限界とそれらが依存する条件付けプロセスは、アイデンティティリークのリスクを生じさせ、結果として、ジェネレータのトレーニングセットに見られるものと過度に類似した合成サンプルが発生し、プライバシー上のメリットを軽減します。 本研究では,従来提案されていたアプローチは,高い分類器依存度と,トレーニングに使用されていなかった実際のデータセットに対するリークを識別する傾向の2つの重要な制限によって影響を受けることを示す。 これらの欠点に対処するため、顔認証のための非パラメトリックデータコピーテストを適用し、それを識別レベルまで拡張する「スケールド・オーバーラップ(SO)」と呼ばれる新しい指標を提案する。 個々の分類器のエラーを補うマルチモデル設定を利用することで、ID漏洩の真の強さに関する洞察を提供する。 解析により,CemiFaceにおける生成モデル条件付けによる最も急激なリークによる漏洩データセット(CemiFace,SFace2,IDNet)を同定し,実際のデータセットがジェネレータ訓練に等しく寄与しないことを示すとともに,合成画像の大多数が単一のアイデンティティに頼るのではなく,複数のアイデンティティから抽出されていることを示す。 最終的に、我々の研究は、合成データセットの品質に関する新たな洞察を提供し、コミュニティが合成データの信頼性を確保するための、より信頼性の高い技術を提供します。

関連論文リスト

• SteerFace: Debiasing Synthetic Face Generation via Adaptive Residue Perturbation [24.834863849265034]
  本稿では, 視覚特性の非現実的傾向を示す合成データを用いて, 視覚的傾向を, 未探索の限界として認識する。 視覚的傾向は、生成元がアイデンティティの埋め込みを条件付けしていることに起因し、その結果として、残余の視覚的手がかりが意図せずに学習されたアイデンティティセマンティクスに吸収される。 本稿では,このような視覚的手法を駆使しないために,埋め込みハイパースフィア上のランダムな方向を向かわせてアイデンティティの埋め込みを妨害する,シンプルで効率的なトレーニングフレームワークであるSteerFaceを提案する。
  論文  参考訳（メタデータ） (2026-05-29T06:29:07Z)
• Reinforcement-Guided Synthetic Data Generation for Privacy-Sensitive Identity Recognition [60.52810518437911]
  高忠実度生成モデルは、プライバシーに敏感なシナリオでますます必要とされている。 限られたデータによって生成モデルは貧弱になり、データ不足を軽減できない。 汎用ドメイン生成の先行を識別タスクに適応させる,強化誘導型合成データ生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-09T06:52:03Z)
• WithAnyone: Towards Controllable and ID Consistent Image Generation [83.55786496542062]
  アイデンティティ・一貫性・ジェネレーションは、テキスト・ツー・イメージ研究において重要な焦点となっている。 マルチパーソンシナリオに適した大規模ペアデータセットを開発する。 本稿では,データと多様性のバランスをとるためにペアデータを活用する,対照的なアイデンティティ損失を持つ新たなトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-16T17:59:54Z)
• Hybrid Generative Fusion for Efficient and Privacy-Preserving Face Recognition Dataset Generation [87.48785461212556]
  我々は,顔認識モデルをトレーニングするための高品質な顔データセットの構築に焦点を当てたDataCV ICCV Challengeへのアプローチを提案する。 構築されたデータセットには、既存の公開顔データセットと重複するIDが含まれてはならない。 提案手法は,競技において第1位となる textbf1 を達成し,実験結果から10K,20K,100K 単位のモデル性能の向上が得られた。
  論文  参考訳（メタデータ） (2025-08-14T14:14:18Z)
• SynFER: Towards Boosting Facial Expression Recognition with Synthetic Data [78.70620682374624]
  ハイレベルなテキスト記述に基づく表情画像データの合成のための新しいフレームワークであるSynFERを紹介する。 合成データの質と信頼性を確保するため,セマンティックガイダンス手法と擬似ラベル生成手法を提案する。 その結果, 提案手法の有効性と合成データの有効性が検証された。
  論文  参考訳（メタデータ） (2024-10-13T14:58:21Z)
• Disguise without Disruption: Utility-Preserving Face De-Identification [40.484745636190034]
  本研究では,修正データの利用性を確保しつつ,顔画像をシームレスに識別する新しいアルゴリズムであるDisguiseを紹介する。 本手法は, 難読化と非可逆性を最大化するために, 変分機構を用いて生成した合成物を用いて, 描写されたアイデンティティを抽出し置換することを含む。 提案手法を複数のデータセットを用いて広範に評価し,様々な下流タスクにおける従来の手法と比較して,高い非識別率と一貫性を示す。
  論文  参考訳（メタデータ） (2023-03-23T13:50:46Z)
• Unsupervised Face Recognition using Unlabeled Synthetic Data [16.494722503803196]
  ラベルなし合成データ(U SynthFace)に基づく教師なし顔認識モデルを提案する。 提案したU SynthFaceは、同一の合成インスタンスの2つの拡張画像の類似性を最大化することを学ぶ。 ラベルなし合成データを用いた比較的高い認識精度を実現するためのU SynthFaceの有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-14T14:05:19Z)
• Haven't I Seen You Before? Assessing Identity Leakage in Synthetic Irises [4.142375560633827]
  本稿では, GANトレーニングプロセスの様々な点における3つのアイリスマッチングの解析を行い, 実際のトレーニングサンプルが生成過程を通じて漏洩する危険のある場所と時期を診断する。 以上の結果から,ほとんどの合成サンプルは同一性漏洩の兆候を示していないが,生成したサンプルのごく一部は,ほぼ完璧に一致していることがわかった。
  論文  参考訳（メタデータ） (2022-11-03T00:34:47Z)
• Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
  そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。 両手法の有効性とロバスト性を実証的に示す。 我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
  論文  参考訳（メタデータ） (2022-05-12T17:03:57Z)
• Generation of Non-Deterministic Synthetic Face Datasets Guided by Identity Priors [19.095368725147367]
  本稿では、StyleGANの構造化された潜在空間を利用して、マット付き顔画像を生成する非決定論的手法を提案する。 25,919個の合成IDを含む77,034個のサンプルからなる合成顔画像(SymFace)のデータセットを作成する。
  論文  参考訳（メタデータ） (2021-12-07T11:08:47Z)

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。