野外人脸识别的有效适配器
本文提出了第一种参数高效调节 deepfake 检测模型的方法 DeepFake-Adapter,该方法采用适配器模块从大型预训练 Vision Transformers 中提取高级语义,以有效且高效地帮助 deepfake 检测。通过在 MLP 层旁插入具有全局感知的 Englobed Adapters 和跨越 ViT 特征的局部感知的空间 Adapter,该方法可以将先前训练好的 Vision Transformers 的高级语义与本地和全局低级别伪造的 deepfake 数据的降噪信息相结合,从而提高 deepfake 的准确度和泛化能力。
Jun, 2023
通过使用人脸修复潜在扩散模型先验,我们提出了一种名为对抗修复(AdvRestore)的新型对抗攻击方法,同时增强对抗人脸示例的视觉质量和可转移性。实验证明了我们提出的攻击方法的有效性。
Sep, 2023
通过提出的 Face2Face 框架,包括面部修饰检测器、基于预测修饰标签的图像修复模型 FaceR 和用于处理扩散模型引起的色彩偏移的分层自适应实例归一化(H-AdaIN)模块,来解决面部修饰还原问题,并通过实验验证了我们的框架和每个模块的有效性。
Apr, 2024
在这项工作中,我们提出了一种名为 AdaIR 的新框架,通过在自我监督预训练中使用合成降解物来构建通用的恢复网络,然后训练特定的适配器来适应特定的降解物,从而实现低存储成本和高效训练,达到多任务恢复的卓越结果。
Apr, 2024
通过引入高效有效的 Face-Adapter,我们旨在解决资源密集型的训练问题,从而实现预训练扩散模型的高精度和高保真度的人脸编辑,该模型在运动控制精度、ID 保留能力和生成质量方面具有可比甚至优越的表现。
May, 2024
通过特征水平领域自适应方法,该文提供一种学习判别式视频帧表示的方法,利用大规模无标签的视频数据,使得模型可以转移从大规模标记的静态图像中获得的判别性知识。实验表明,该方法可大幅度提升视频人脸识别性能,达到最先进的准确性。
Aug, 2017
本文提出了一种基于聚类的领域自适应方法,通过全局对齐特征域和本地区分目标聚类的方式来有效学习判别性目标特征,经过广泛的实验,证明了该方法在面部识别任务方面具有先进性能。
May, 2022
本文的研究主要关注在低质量照片中的人脸识别,作者从三个不同的质量数据集中进行了实验并使用先进的面部图像增强方法来提高识别的准确性,最终提出了一种新的低质量面部图像识别协议并得到实验验证。
Jul, 2023
本文提出了一种基于锚点的深度人脸检测器,通过在 hard images 上学习 small faces,并采用新型的 hard image mining 训练方法,在 WIDER FACE、FDDB、Pascal Faces 和 AFW 数据集上进行了实验,证明了该方法对 hard faces 检测的有效性。
Nov, 2018
该论文介绍了一种利用适配器残模块进行数据表示学习的深度网络架构,该网络能够被灵活地指引至不同的视觉领域中,实现了高度的参数共享并保持或提高了特定领域表示的准确性。同时,该论文还提出了 Visual Decathlon Challenge 基准评测系统,用于同时评估表征的能力并测量其识别不同领域的能力。
May, 2017