論文の概要: SynthFaces: Balanced Large Scale Human Dataset

• arxiv url: http://arxiv.org/abs/2610.40119v1
• Date: Thu, 29 Oct 2026 14:17:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 08:15:13.854457
• Title: SynthFaces: Balanced Large Scale Human Dataset
• Title（参考訳）: SynthFaces: 大規模なヒューマンデータセットのバランス
• Abstract要約: 生成モデルの訓練と微調整のために,多様な顔を持つ制御可能なデータセット生成のためのパイプラインを提案する。 デザインによって、リリースした画像とアイデンティティは合成され、実際の個人画像への直接的な依存が軽減される。 本研究の目的は、様々な下流タスクのための公正なモデルのトレーニングとチューニングを目的としており、既存のアダプタベースの手法をパーソナライズされた生成のために微調整する際のユーザビリティを示す。
• 参考スコア（独自算出の注目度）: 8.745676131729947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The pursuit of fair and equitable AI in human-centric tasks is critically hindered by the inherent biases and privacy risks of real-world datasets, which offer imbalanced representations of identity and often contain sensitive personal information. Consequently, state-of-the-art generative models trained on this skewed data exhibit unfair performance, particularly in identity-preserving generation. In this work we propose a pipeline for controllable generation of dataset with diverse faces for generative models training and finetuning. We achieve this by expanding foundational Arc2Face diffusion model with a flow matching generative model in the manifold of identity embeddings. We demonstrate that such approach achieves both goals of generative fidelity and label diversity not present in real human-centric datasets. As a result we collect and further contextualize a highly balanced identity-centric dataset of humans named SynthFaces. By design, our released images and identities are synthetic, reducing direct reliance on real personal images; we empirically check identity separation with a nearest-neighbor non-leakage metric. We purpose it for training and tuning of fair models for various downstream tasks, and showcase its usability in finetuning an existing adapter-based method for personalized generation.
• Abstract（参考訳）: 人間中心のタスクにおける公平で公平なAIの追求は、現実のデータセットに固有のバイアスやプライバシーリスクによって著しく妨げられている。 その結果、この歪んだデータに基づいて訓練された最先端の生成モデルは、特にアイデンティティ保存世代において不公平な性能を示す。 本研究では,多種多様な顔を持つ制御可能なデータセット生成のためのパイプラインを提案し,生成モデルのトレーニングと微調整を行う。 これを実現するために,恒等埋め込み多様体のフローマッチング生成モデルを用いて基礎的Arc2Face拡散モデルを拡張した。 このような手法は、実際の人間中心のデータセットに存在しない生成的忠実度とラベルの多様性の両方を達成できることを実証する。 結果として、私たちはSynthFacesという名の人間の高度にバランスのとれたアイデンティティ中心のデータセットを収集し、さらにコンテキスト化します。 得られた画像とアイデンティティは合成され、実際の個人画像への直接的な依存が軽減される。 本研究の目的は、様々な下流タスクのための公正なモデルのトレーニングとチューニングを目的としており、既存のアダプタベースの手法をパーソナライズされた生成のために微調整する際のユーザビリティを示す。

関連論文リスト

• Not All Similarity Is Leakage: Distribution-Aware Identity Leakage Assessment in Synthetic Face Datasets [15.955888114577975]
  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。
  論文  参考訳（メタデータ） (2026-10-19T09:34:50Z)
• 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)
• DisCo: Reinforcement with Diversity Constraints for Multi-Human Generation [60.741022906593685]
  DisCoは、マルチヒューマン世代におけるアイデンティティの多様性を直接最適化する最初のRLベースのフレームワークである。 グループ相対ポリシー最適化によるDisCo微粒フローマッチングモデル。 DiverseHumans Testsetでは、DisCoは98.6のユニークな顔の精度とほぼ完璧なグローバルアイデンティティスプレッドを実現している。
  論文  参考訳（メタデータ） (2025-10-01T19:28:51Z)
• GaitCrafter: Diffusion Model for Biometric Preserving Gait Synthesis [14.174192604480599]
  GaitCrafterは、シルエット領域で現実的な歩行シーケンスを合成するための拡散ベースのフレームワークである。 我々のアプローチは、時間的に一貫性があり、アイデンティティを保存する歩行列の生成を可能にする。 そこで,本研究では,オリジナルデータセットに存在しない新規なアイデンティティ合成個人を生成するメカニズムを提案する。
  論文  参考訳（メタデータ） (2025-08-18T18:32:42Z)
• 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)
• Enhancing Domain Diversity in Synthetic Data Face Recognition with Dataset Fusion [4.910937238451485]
  アーキテクチャ的に異なるバックボーンを用いて生成した2つの最先端合成顔データセットを組み合わせることで,その解を提案する。 この融合は、モデル固有のアーティファクトを減らし、ポーズ、照明、人口動態の多様性を高め、アイデンティティ関連の特徴を強調することで、顔認識モデルを暗黙的に規則化する。
  論文  参考訳（メタデータ） (2025-07-22T17:36:48Z)
• Synthetic Face Datasets Generation via Latent Space Exploration from Brownian Identity Diffusion [20.352548473293993]
  我々は,大規模な合成顔データセットを生成することを目的とした,Langevin,Dispersion,DisCoという3つの補完アルゴリズムを導入する。 これを使って、顔データセットを複数生成し、顔認識モデルをトレーニングすることでそれらをベンチマークし、我々の方法で生成されたデータが、以前のGANベースデータセットのパフォーマンスを上回ることを示す。 拡散モデルはトレーニングデータを記憶するために示されるが、新しい合成データセットの漏洩を防止し、より責任のある合成データセットへの道を開く。
  論文  参考訳（メタデータ） (2024-04-30T22:32:02Z)
• Diffusion Models are Efficient Data Generators for Human Mesh Recovery [55.37787289869703]
  生成モデルにより生成された合成データはCGレンダリングデータと相補的であることを示す。 我々はHumanWildと呼ばれる最近の拡散モデルに基づく効率的なデータ生成パイプラインを提案する。 われわれの研究は、人間の3Dリカバリを現場に拡大するための道を開くかもしれない。
  論文  参考訳（メタデータ） (2024-03-17T06:31:16Z)
• Zero-shot racially balanced dataset generation using an existing biased StyleGAN2 [5.463417677777276]
  本稿では, 偏りのある生成モデルであるStyleGAN2を用いて, 人口統計学的に多様な合成個体の画像を作成する手法を提案する。 1レースあたり50,000のIDを含むバランスの取れたデータセットで顔認識モデルをトレーニングすることで、パフォーマンスを改善し、実際のデータセットでトレーニングされたモデルに存在した可能性のあるバイアスを最小限にすることができる。
  論文  参考訳（メタデータ） (2023-05-12T18:07:10Z)
• Representative & Fair Synthetic Data [68.8204255655161]
  公平性制約を自己監督学習プロセスに組み込むためのフレームワークを提示する。 私たちはuci成人国勢調査データセットの代表者および公正版を作成します。 我々は、代表的かつ公正な合成データを将来有望なビルディングブロックとみなし、歴史的世界ではなく、私たちが生きようとしている世界についてアルゴリズムを教える。
  論文  参考訳（メタデータ） (2021-04-07T09:19:46Z)

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。