論文の概要: STAR-FER: Adaptive Selective Restoration for Edge-Based Low-Resolution Facial Expression Recognition

• arxiv url: http://arxiv.org/abs/2610.41310v1
• Date: Fri, 30 Oct 2026 06:18:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.630246
• Title: STAR-FER: Adaptive Selective Restoration for Edge-Based Low-Resolution Facial Expression Recognition
• Title（参考訳）: STAR-FER:エッジベース低解像度顔表情認識のための適応的選択的復元
• Abstract要約: 本稿では,認識性能と資源制約のバランスをとるスケール・アンド・タスク適応型選択的復元フレームワークを提案する。 STAR-FERは平均精度80.92%、マクロF1は71.64%で、低解像度のResNet-18ベースラインを2.25と2.71ポイント改善した。 これらの結果から,低分解能FER性能を維持しつつ,空間的評価と連続予算駆動選択的復元が空間的変化と計算を減少させることが示された。
• 参考スコア（独自算出の注目度）: 4.211461422177049
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Variable interaction distances continuously degrade facial resolution in edge-based affective interaction, making low-resolution facial expression recognition (FER) difficult under limited computation. Full-face image or feature restoration incurs substantial overhead, whereas lightweight recognition pipelines may miss local cues that remain discriminative after degradation. We propose STAR-FER, a scale-and-task-adaptive selective restoration framework that balances recognition performance and resource constraints. A lightweight image-scale conditioned Gate jointly predicts a pixel-wise spatial ranking and a continuous restoration budget, then applies exact-support projection to obtain an input-dependent free-form mask. The mask-conditioned restorer retains complete facial context while concentrating sparse restoration and residual insertion on the selected support. Across seven degradation scales from x2 to x8 on the complete RAF-DB test set, STAR-FER achieves 80.92% mean accuracy and 71.64% Macro-F1, improving the low-resolution ResNet-18 baseline by 2.25 and 2.71 percentage points, respectively. It surpasses SR-FER by 1.04 accuracy points while requiring 8.84 GFLOPs, a 54.29% reduction, with 28.01% mean mask coverage, and maintains effective recognition at unseen non-integer scales. These results show that spatial-ranking and continuous-budget driven selective restoration reduces spatial modification and computation while maintaining low-resolution FER performance, offering an efficient path to resource-constrained affective interaction.
• Abstract（参考訳）: 可変相互作用距離は、エッジベースの感情相互作用において連続的に顔の分解能を低下させ、限られた計算で低解像度の表情認識(FER)を困難にする。 フルフェイスの画像や特徴の復元にはかなりのオーバーヘッドが伴うが、軽量な認識パイプラインは劣化後に差別的のままの局所的な手がかりを見逃す可能性がある。 評価性能と資源制約のバランスをとるスケール・アンド・タスク適応型選択的復元フレームワークSTAR-FERを提案する。 軽量画像大条件ゲートは、画素単位の空間ランクと連続復元予算とを共同で予測し、入力依存のフリーフォームマスクを得るために、正確な支持プロジェクションを適用する。 マスクコンディショナーは、選択した支持体にスパース修復と残留挿入を集中させながら、完全な顔コンテキストを維持している。 完全なRAF-DBテストセットにおいて、x2からx8までの7つの分解スケールにおいて、STAR-FERは平均精度80.92%、マクロF1は71.64%に達し、それぞれ低解像度のResNet-18ベースラインを2.25と2.71ポイント改善した。 SR-FERを1.04の精度で上回り、8.84 GFLOPs、54.29%の削減、平均マスクカバー28.01%、非整数スケールでの効果的な認識を維持できる。 これらの結果から,低解像度のFER性能を維持しつつ,空間的水準と連続予算による選択的復元は空間的変化と計算を低減し,資源制約による情緒的相互作用への効率的な経路を提供することが示された。

関連論文リスト

• Beyond Localization: A Comprehensive Diagnosis of Perspective-Conditioned Spatial Reasoning in MLLMs from Omnidirectional Images [52.50752250573993]
  MLLM(Multimodal Large Language Models)は、視覚的知覚が強いが、視点の変化による空間の推論には限界がある。 本研究では、この課題を全方位360度画像におけるパースペクティブ・コンディションド・スペース・推論(PCSR)として検討する。 我々は2,600全方位画像から84,373組の質問応答対の診断ベンチマークであるPCSR-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-12T17:11:17Z)
• A2BFR: Attribute-Aware Blind Face Restoration [48.06304429343643]
  ブラインド顔復元(BFR)は、劣化した入力から高品質な顔画像の復元を目的としている。 近年の拡散型BFR法は知覚品質を向上させるが制御不能である。 本稿では,属性を意識したBFRフレームワークであるA$2$BFRを提案する。
  論文  参考訳（メタデータ） (2026-03-31T08:29:04Z)
• LAFR: Efficient Diffusion-based Blind Face Restoration via Latent Codebook Alignment Adapter [52.93785843453579]
  低品質(LQ)画像からのブラインド顔復元は、高忠実度画像再構成と顔認証の保存を必要とする課題である。 LAFRは,LQ画像の潜時分布とHQ画像の潜時分布を一致させる,新しいコードブックベースの潜時空間アダプタである。 FFHQデータセットのわずか0.9%での拡散の軽量な微調整は、最先端の手法に匹敵する結果を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2025-05-29T14:11:16Z)
• Signal Collapse in One-Shot Pruning: When Sparse Models Fail to Distinguish Neural Representations [2.209921757303168]
  重み選択を最適化するのではなく、緩和信号の崩壊がプルーニングネットワークの精度向上の鍵であることを示す。 トレーニング可能な重みを更新することなく,信号の崩壊に対処するREFLOWを提案する。 我々は、ResNeXt101の精度をImageNetで4.1%未満から78.9%に復元し、重量の20%しか残っていない。
  論文  参考訳（メタデータ） (2025-02-18T15:47:33Z)
• Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
  Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。 画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。 弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-06-06T08:19:30Z)
• Implicit Subspace Prior Learning for Dual-Blind Face Restoration [66.67059961379923]
  新しい暗黙的サブスペース事前学習(ISPL)フレームワークが、二重盲顔復元の一般的な解決策として提案されている。 実験の結果,既存の最先端手法に対するISPLの認識歪改善が顕著であった。
  論文  参考訳（メタデータ） (2020-10-12T08:04:24Z)

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。