Core Concepts
属性編集が顔認識に与える影響を軽減するための新しい手法を提案します。
Abstract
顔認識システムへの属性編集の影響を軽減するために、ローカルとグローバルな属性編集技術が提案されています。
ローカル編集は細かい詳細を変更し、グローバル編集は全体的な詳細を変更します。
提案された手法は、バイオメトリック信頼性とパフォーマンスを保持しながら、最新のジェネレーティブモデルよりも優れた結果を示しています。
Introduction
顔画像での意味的なキューのデジタル修正である「Facial attribute editing」について説明。
属性修正ツールは利用可能であり、多くは条件付き生成モデルに基づいています。
Objective
最新のジェネレーティブモデルを使用して、さまざまな意味的、人口統計学的、表現ベースの属性操作が自動化されたFRシステムに与える影響を調査します。
FRシステムは低解像度やポーズ、人口統計学的変化に対応できますが、デジタル操作が導入されると失敗する可能性があります。
Proposed Method
ローカル属性編集とグローバル属性編集の2つのレベルでアプローチします。
グローバル編集ではDreamBoothとコントラスト損失を使用した正則化アプローチを使用し、年齢編集に適用します。
ローカル編集ではControlNetとInpaintingを使用して局所的な属性制御を行います。
Experiments
CelebA、CelebAMaskHQ、LFWデータセット上で300人から成る被験者群で実験が行われました。
DB-prop.はCelebAデータセットでArcFaceおよびAdaFaceマッチャーと比較してFNMR値が改善されました。
Stats
最新のジェネレーティブ拡散モデルや他の手法と比較してDB-prop.はFNMR値が改善されました。