dc-GAN: Dual-Conditioned GAN for Face Demorphing From a Single Morph

要約

顔モーフとは、2つの異なるアイデンティティに関連する2つの顔画像を組み合わせて作成された画像である。顔デモーフィングは、このプロセスを逆にして、顔モーフを構成する元の画像を復元しようとするものである。モーフアタック検出（MAD）技術はモーフ画像にフラグを立てるために使用できるが、モーフ画像の作成に使用された顔に関する視覚的情報は得られない。この問題を解決するのに役立つのが非モーフィングです。既存の非モーフィング技術は、非常に制限的であるか（テスト中に同一性を仮定する）、弱い出力しか得られない（両方の出力が非常に似ている）。本稿では、dc-GANを提案することで、これらの問題を克服する。dc-GANは、モーフ画像に条件付けされた、新しいGANベースのデモーフィング手法である。本手法はモーフの複製を克服し、モーフを作成するために用いられた真正画像の高品質な再構成を生成する。さらに本手法は、非モーフィングパラダイム（差分／参照なし）を超えて高度に一般化可能である。我々はAMSL、FRLL-Morphs、MorDiffデータセットで実験を行い、本手法の有効性を示す。

要約(オリジナル)

A facial morph is an image created by combining two face images pertaining to two distinct identities. Face demorphing inverts the process and tries to recover the original images constituting a facial morph. While morph attack detection (MAD) techniques can be used to flag morph images, they do not divulge any visual information about the faces used to create them. Demorphing helps address this problem. Existing demorphing techniques are either very restrictive (assume identities during testing) or produce feeble outputs (both outputs look very similar). In this paper, we overcome these issues by proposing dc-GAN, a novel GAN-based demorphing method conditioned on the morph images. Our method overcomes morph-replication and produces high quality reconstructions of the bonafide images used to create the morphs. Moreover, our method is highly generalizable across demorphing paradigms (differential/reference-free). We conduct experiments on AMSL, FRLL-Morphs and MorDiff datasets to showcase the efficacy of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL