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

要約

フェイシャルモーフは、2つの異なるアイデンティティに関連する2つの顔の画像を組み合わせることによって作成された画像です。
フェイスデモ型はプロセスを反転させ、顔のモーフを構成する元の画像を回復しようとします。
MORPH攻撃検出（MAD）テクニックを使用してモーフ画像にフラグを立てることができますが、それらを作成するために使用される顔に関する視覚的な情報を明かすことはありません。
Demorphingは、この問題に対処するのに役立ちます。
既存のデモルフィング手法は、非常に制限的（テスト中にアイデンティティを想定）するか、弱い出力（両方の出力が非常に類似しているように見えます）のいずれかです。
この論文では、MORPH画像を条件付けられた新しいGanベースのデモルフィング方法であるDC-Ganを提案することにより、これらの問題を克服します。
私たちの方法は、モーフ複製を克服し、モーフの作成に使用される真正な画像の高品質の再構成を生成します。
さらに、私たちの方法は、デモルフィングパラダイム全体に非常に一般化できます（微分/参照なし）。
AMSL、FRLL-Morphs、Mordiffデータセットに関する実験を実施して、方法の有効性を紹介します。

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, Google