論文の概要: IDPrior: Decoupling Identity Generation from Facial Image Synthesis

• arxiv url: http://arxiv.org/abs/2611.07941v1
• Date: Thu, 05 Nov 2026 12:41:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.686018
• Title: IDPrior: Decoupling Identity Generation from Facial Image Synthesis
• Title（参考訳）: IDPrior: 顔画像合成からアイデンティティ生成を分離する
• Abstract要約: IDPriorは画像合成からアイデンティティ生成を分離する2段階のフレームワークである。 我々は,IDPriorが,真のアイデンティティの分布と密接な対応を維持しつつ,多種多様で順応したアイデンティティを生成することを示す。
• 参考スコア（独自算出の注目度）: 15.21150843174465
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large-scale identity-labeled face datasets are essential for training modern face recognition models, yet collecting and annotating such data is costly and raises privacy and ethical concerns. Existing synthetic face generation methods typically derive identities from predefined class labels, unconditional image generation, or predefined latent sampling strategies, without explicitly modeling the underlying distribution of facial identities. In this paper, we propose IDPrior, a two-stage framework that decouples identity generation from image synthesis. We first learn a diffusion prior in the embedding space of a pretrained face recognition model to model the distribution of facial identities and generate novel identity embeddings. These embeddings are then used to condition a pretrained identity-conditioned diffusion model (DM), enabling the synthesis of multiple images of the same identity. This modular design provides a scalable approach to identity generation while remaining compatible with existing and future identity-conditioned DMs. Experiments indicate that IDPrior generates diverse and well-separated identities while maintaining a closer correspondence to the distribution of authentic identities. Face recognition models trained on datasets generated using IDPrior-generated identities achieve competitive or improved performance compared with existing synthetic-data-based methods across multiple face verification benchmarks. Code and generated datasets are publicly available at https://github.com/fdbtrs/IDperturb.
• Abstract（参考訳）: 大規模なIDラベル付き顔データセットは、現代の顔認識モデルのトレーニングには不可欠だが、そのようなデータの収集と注釈はコストがかかり、プライバシーや倫理的懸念が高まる。 既存の合成顔生成法は、顔のアイデンティティの基盤となる分布を明示的にモデル化することなく、事前に定義されたクラスラベル、無条件画像生成、または事前定義された潜時サンプリング戦略からアイデンティティを導き出すのが一般的である。 本稿では,画像合成からID生成を分離する2段階フレームワークであるIDPriorを提案する。 まず、事前訓練された顔認識モデルの埋め込み空間において拡散を学習し、顔のアイデンティティの分布をモデル化し、新しいアイデンティティの埋め込みを生成する。 これらの埋め込みは、事前訓練されたアイデンティティ条件拡散モデル (DM) の条件付けに使用され、同一のアイデンティティの複数の画像の合成を可能にする。 このモジュール設計は、既存のおよび将来のID条件DMとの互換性を維持しながら、ID生成に対するスケーラブルなアプローチを提供する。 実験の結果,IDPriorは多種多様な分離されたアイデンティティを生成しつつ,真のアイデンティティの分布と密接な対応を維持していることがわかった。 IDPrior生成IDを用いて生成されたデータセットに基づいてトレーニングされた顔認識モデルは、複数の顔検証ベンチマークで既存の合成データベースの手法と比較して、競争力や性能の向上を実現している。 コードと生成されたデータセットはhttps://github.com/fdbtrs/IDperturb.comで公開されている。

関連論文リスト

• WithEveryone: Unified Planning and Identity Grounding for Group Image Generation [60.528070962852716]
  グループイメージを最大10個の参照IDまで生成する統合フレームワークであるWithEveryoneを紹介した。 WithEveryoneは、それぞれの選択したIDをアドレストークンとして注入し、構造化されたID計画を予測する。 GPT-Image-2では0.462から0.499に改善され、コピー・ペースト・アーティファクトは0.169から0.055に削減された。
  論文  参考訳（メタデータ） (2026-08-20T17:59:53Z)
• Identity-Decoupled Anonymization for Visual Evidence in Multi-modal Retrieval-Augmented Generation [9.39195684989942]
  Identity-Decoupled MRAGは、生成匿名化モジュールを検索と生成の間に介在するフレームワークである。 提案手法は,各面を識別符号と空間的に構造化された属性コードに分解し,相互情報的ペナルティと勾配に基づく独立項で正規化する不整形変分エンコーダ,識別符号を元のものと現実とを区別することが保証された合成物に置換する多様体認識拒絶サンプリング器,および (iii)匿名化顔と置換IDとを合成する条件付き潜時拡散発生器からなる。
  論文  参考訳（メタデータ） (2026-04-26T07:42:33Z)
• Beyond Inference Intervention: Identity-Decoupled Diffusion for Face Anonymization [55.29071072675132]
  顔の匿名化は、非同一性属性を保持しながら、識別情報を隠蔽することを目的としている。 トレーニング中心の匿名化フレームワークである textbfIDsuperscript2Face を提案する。 IDtextsuperscript2Faceは、視覚的品質、アイデンティティの抑制、ユーティリティ保存において、既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-28T09:28:12Z)
• 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)
• ID-Booth: Identity-consistent Face Generation with Diffusion Models [27.46650231581887]
  我々はID-Boothと呼ばれる新しい生成拡散に基づくフレームワークを提案する。 このフレームワークは、事前訓練された拡散モデルの合成能力を保ちながら、アイデンティティ一貫性のある画像生成を可能にする。 本手法は、画像の多様性を向上しつつ、競合する手法よりもアイデンティティ間の一貫性とアイデンティティ間の分離性を向上する。
  論文  参考訳（メタデータ） (2025-04-10T02:20:18Z)
• ID$^3$: Identity-Preserving-yet-Diversified Diffusion Models for Synthetic Face Recognition [60.15830516741776]
  合成顔認識(SFR)は、実際の顔データの分布を模倣するデータセットを生成することを目的としている。 拡散燃料SFRモデルであるtextID3$を紹介します。 textID3$はID保存損失を利用して、多様だがアイデンティティに一貫性のある顔の外観を生成する。
  論文  参考訳（メタデータ） (2024-09-26T06:46:40Z)
• Identity-driven Three-Player Generative Adversarial Network for Synthetic-based Face Recognition [14.73254194339562]
  本稿では,識別情報の生成プロセスへの統合を可能にする3プレーヤ生成逆ネットワーク(GAN)フレームワーク,すなわちIDnetを提案する。 我々は,従来の2プレーヤGANと比較して,IDnet合成画像の識別性が高いことを実証的に証明した。 顔認識モデルの訓練におけるIDnetデータの適用性について,広範囲の顔認識ベンチマークを用いて評価を行った。
  論文  参考訳（メタデータ） (2023-04-30T00:04:27Z)

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。