GMK evo-X2 128G

記念写真

 

FaceLiVTの論文をGPT-5 proに要約させる。

https://arxiv.org/pdf/2506.10361

 以下は、実装者向けに最短距離でコード化できるよう整理した“FaceLiVT”の完全要約です。図表や式の参照も付けています。実装の核は RepMix（構造的再パラメータ化付きの深層可分畳み込み） と MHLA（Multi‑Head Linear Attention） の2点です。図1（p.2）にブロック構造、表1（p.4）に各ステージ設定、表2–4（p.5）に結果とアブレーションの要点がまとまっています。

---

1) 目的と全体像（実装観点の要点）

• FaceLiVT は、CNN×Transformerのハイブリッドで、前段＝RepMix、後段＝MHLA をトークンミキサとして組み合わせ、モバイル推論向けにレイテンシと精度の両立を図る設計。図1参照。

• MHLA は自己注意（MHSA）の 二乗計算を避け、トークン次元に2層の線形（＋非線形） をかける設計。計算量は Ω(MHLA)=2(N·Nr)·C と低く、MHSAの Ω=4NC²+2N²C より小さい（§3.4）。

• 構造的再パラメータ化（BN融合・分岐結合・残差の折り畳み）で、学習時は表現力、推論時は単一DWCへ畳み込み、Core ML等で高速化（§3.2）。

---

2) 入出力・ネットワーク構成

• 入力：112×112 のアライン済み顔画像（Glint360Kで学習時に使用）。値域は [-1,1] 正規化。

• Stem：3×3 s=2 畳み込み ×2（112→56→28）。図1、表1。

• ステージ数：4（Stage1/2＝RepMix、Stage3/4＝MHLA 版ではMHLA）。各ブロックは TokenMixer → 残差加算 → Channel MLP → 残差加算（式(1)）。

• Channel MLP：2層全結合（拡張比 r=3）、BN、GELU 1回（式(2)）。実装は 1×1 Conv×2＋BN＋GELU でOK。

• ヘッド：Global AvgPool → FC(512) で埋め込み512次元（CosFace学習用）。表1。

---

3) トークンミキサの詳細

3.1 RepMix（学習時）— 式(6)

• DWC k×k と DWC 1×1 を足し合わせ、その後 BN、元入力を残差接続：
  X' = X + BN( DWC_k×k(X) + DWC_1×1(X) )（非線形は省略）。図1(b)、式(6)。

3.2 RepMix（推論時）— 構造的再パラメータ化

• (a) BN融合：Conv→BN を 重みW' = W·γ/σ, バイアス b' = (b−μ)·γ/σ + β で単一Conv化（式(3)(4)）。

• (b) 分岐の畳み込み：
  1×1 DWC と 恒等（残差）を k×kのDWCカーネル中央に埋め込み、k×k分岐に合算。最終的に 単一のDWC(k×k)＋(a)でBN融合済み になる。図1(b)、§3.2。

3.3 MHLA（Multi‑Head Linear Attention）— 式(9)(10)

• 入力：X∈ℝ^{B×C×H×W} → N=H·Wの1Dトークンへ並べ X∈ℝ^{B×C×N}。Heads＝He に チャネル分割：Xᵍ∈ℝ^{B×(C/He)×N}。図1(c)、§3.4。

• 各ヘッドはトークン次元で 2層線形 + GELU：
  Y = GELU( Xᵍ · Wᵢ )（Wᵢ∈ℝ^{N×Nr}）, Z = Y · Wₒ（Wₒ∈ℝ^{Nr×N}）。ヘッド結合で出力（式(10)）。Q/K/Vやsoftmaxは使わない。

• 計算量：Ω=2·N·Nr·C（MHSAより小）。Nがステージで固定（例：Stage3＝7×7=49、Stage4＝4×4=16）なので、ステージごとに（N, Nr, He）を固定して重みを持つ 実装が簡潔。

---

4) バリアントとステージ設定（表1の実装写経）

FaceLiVT‑S / M と、MHLA置換版 S‑(Li) / M‑(Li)。サイズは 112×112 入力を前提。各行は「解像度 / チャネル / ブロック数 / ミキサ」を示す：

• Stem：3×3 s=2 ×2、出力C＝S:40, M:64

• Stage1（28×28）：C＝S:40, M:64、RepMix、Blocks=2

• Stage2（14×14）：Down=RepMix 3×3 s=2、C＝S:80, M:128、RepMix、Blocks=4

• Stage3（7×7）：Down=RepMix 3×3 s=2、C＝S:160, M:256、S/MはMHSA, S-(Li)/M-(Li)はMHLA、Blocks=6

• Stage4（4×4）：Down=RepMix 3×3 s=2、C＝S:320, M:512、同上、Blocks=2

• Head：AvgPool → FC(512)

He（ヘッド数） はアブレーションで 8 or 16 を検討。16 は精度が上がり（CFP‑FP 94.6%）、8 はレイテンシ短縮（0.41ms）。表4。

---

5) 学習レシピ（そのまま再現可能）

• データ：Glint360K（112×112、テンソル化、[-1,1]正規化）。分散学習。

• 損失：CosFace。最後のFC(512)出力をPartialFCと併用。

• 最適化：AdamW, LR=6e‑3, Polynomial decay。Batch=256。20 or 40 エポック。埋め込み 512。

• 評価：LFW / CFP‑FP / AgeDB‑30 / IJB‑B / IJB‑C。iPhone 15 Pro(Core ML) でレイテンシ計測。

---

6) 主要結果（モバイル実用バランス）

• FaceLiVT‑M‑(Li)：9.75M Param / 386M FLOP、LFW 99.7–99.8、CFP‑FP 96.0–97.2、AgeDB 96.7–97.6、IJB‑C 94.1–95.7、0.67ms。

• FaceLiVT‑S‑(Li)：5.05M Param / 160M FLOP、LFW 99.6–99.7、CFP‑FP 94.6–95.1、AgeDB 95.6–96.6、IJB‑C 82.5–92.7、0.47ms。

• 速度優位：EdgeFace‑XS(0.6) 比 8.6×、純ViT系比 21.2× 高速（本文・表2、抄録）。

---

7) アブレーション（実装判断に効く要点）

• 再パラメータ化の効果（S‑(Li)）：

  • fused BNなし → 0.47→0.60ms と悪化、

  • 残差の再パラメータ化なし → 0.47→0.50ms、

  • DWC 1×1除去 → 精度低下（CFP‑FP −1.4pt, AgeDB −1.0pt）。表3。

• He=8 vs 16：He=16 で精度↑（CFP‑FP 94.6%）、He=8 で速度↑（0.41ms）。表4。

---

8) 最小実装スケルトン（PyTorch風・擬似コード）

※形だけ把握できるように簡略化。実環境では SyncBN / AMP / DDP / PartialFC などを追加してください。MHLAはステージごとにN（トークン数）固定の重みを持つ前提で実装しています。

import torch
import torch.nn as nn
import torch.nn.functional as F

# ---------- 共通 ----------
def dw_conv(ch, k=3, s=1, padding=None):
    if padding is None: padding = k // 2
    return nn.Conv2d(ch, ch, k, stride=s, padding=padding, groups=ch, bias=True)  # bias=True: BN融合前提

class ChannelMLP(nn.Module):
    # 1x1 Conv -> BN -> GELU -> 1x1 Conv -> BN
    def __init__(self, ch, r=3):
        super().__init__()
        mid = ch * r
        self.fc1 = nn.Conv2d(ch, mid, 1, bias=True)
        self.bn1 = nn.BatchNorm2d(mid)
        self.fc2 = nn.Conv2d(mid, ch, 1, bias=True)
        self.bn2 = nn.BatchNorm2d(ch)
    def forward(self, x):
        y = self.bn1(self.fc1(x))
        y = F.gelu(y)
        y = self.bn2(self.fc2(y))
        return x + y  # 残差（式(1)）

# ---------- RepMix（学習時） ----------
class RepMix(nn.Module):
    def __init__(self, ch, k=3, stride=1):
        super().__init__()
        self.dw_k = dw_conv(ch, k=k, s=stride)
        self.dw_1 = dw_conv(ch, k=1, s=stride, padding=0)
        self.bn   = nn.BatchNorm2d(ch)

        # 推論時に切替
        self.reparam = False
        self.fused_dw = None

    def forward(self, x):
        if self.reparam:
            return x + self.fused_dw(x)  # 既にBN融合＆分岐結合済み
        y = self.dw_k(x) + self.dw_1(x)
        y = self.bn(y)
        return x + y

    @torch.no_grad()
    def fuse_for_inference(self):
        """
        1) dw_k, dw_1 のBN融合 → (W', b')
        2) 1x1分岐と恒等（残差）をk×kへ埋め込み、k×kへ合算
        3) 最終的に単一DWCに置換
        """
        # (a) Conv+BN の融合: W' = W*γ/σ, b' = (b-μ)*γ/σ + β
        def fuse_conv_bn(conv, bn):
            W = conv.weight
            b = conv.bias if conv.bias is not None else torch.zeros(W.size(0), device=W.device)
            gamma = bn.weight; beta = bn.bias
            mean = bn.running_mean; var = bn.running_var; eps = bn.eps
            std = torch.sqrt(var + eps)
            Wf = W * (gamma / std).reshape(-1, 1, 1, 1)
            bf = (b - mean) * (gamma / std) + beta
            return Wf, bf

        # dw_k と dw_1 を個別にBN融合（同一BNを通るので厳密には和を取ってから融合でも良いが、実装は合算等価に調整）
        Wk, bk = self.dw_k.weight.data.clone(), self.dw_k.bias.data.clone()
        W1, b1 = self.dw_1.weight.data.clone(), self.dw_1.bias.data.clone()

        # BNパラメータを各分岐に適用するため、一旦和を想定しつつ「総和に対するBN融合」に近づける実装が必要。
        # 実運用では、(dw_k + dw_1) を1つの擬似Convとして重み合算→そのConvにBN融合、が簡潔。
        # ここでは簡易に「擬似合算Conv」を作る:
        k = self.dw_k.kernel_size[0]
        pad_k = 0
        # 1x1をk×kへ埋め込み
        W1_expanded = torch.zeros_like(Wk)
        center = k // 2
        W1_expanded[:, :, center:center+1, center:center+1] = W1

        # 合算（残差=恒等は畳み込みに埋め込まない。ブロック外で x + ... を維持）
        W_sum = Wk + W1_expanded
        b_sum = bk + b1

        # 合算Convに対して BN を融合
        gamma, beta = self.bn.weight.data, self.bn.bias.data
        mean, var, eps = self.bn.running_mean, self.bn.running_var, self.bn.eps
        std = torch.sqrt(var + eps)
        Wf = W_sum * (gamma / std).reshape(-1, 1, 1, 1)
        bf = (b_sum - mean) * (gamma / std) + beta

        fused = dw_conv(Wf.size(0), k=k, s=self.dw_k.stride[0])
        fused.weight.data.copy_(Wf); fused.bias.data.copy_(bf)

        self.fused_dw = fused
        self.reparam = True
        # 不要モジュールを無効化
        del self.dw_k, self.dw_1, self.bn

# ---------- MHLA（ステージ毎にN固定） ----------
class MHLA(nn.Module):
    """
    トークン次元（N=H*W）に2層線形をかける。ヘッド毎にW_i, W_oを持つ。
    Nr = int(N * r) 程度（rは表記上の拡張率）。He=8/16など。
    """
    def __init__(self, C, H, W, He=16, r=2):
        super().__init__()
        self.C, self.H, self.W = C, H, W
        self.N = H * W
        self.He = He
        self.C_h = C // He
        Nr = int(self.N * r)

        # (He, N, Nr) / (He, Nr, N)
        self.Wi = nn.Parameter(torch.randn(He, self.N, Nr) * (self.N ** -0.5))
        self.Wo = nn.Parameter(torch.randn(He, Nr, self.N) * (Nr ** -0.5))

    def forward(self, x):  # x: (B, C, H, W)
        B, C, H, W = x.shape
        assert (C == self.C) and (H == self.H) and (W == self.W)
        N = self.N
        x = x.view(B, C, N).view(B, self.He, self.C_h, N)  # (B, He, C_h, N)

        # bmmでトークン次元に線形を適用： (B, He, C_h, N) @ (He, N, Nr) -> (B, He, C_h, Nr)
        Y = torch.einsum('bhcn,hnm->bhcm', x, self.Wi)
        Y = F.gelu(Y)
        Z = torch.einsum('bhcm,hmn->bhcn', Y, self.Wo)  # (B, He, C_h, N)

        Z = Z.contiguous().view(B, C, N).view(B, C, H, W)
        return Z

# ---------- FaceLiVTブロック ----------
class FaceLiVTBlock(nn.Module):
    def __init__(self, mixer, ch, mlp_ratio=3):
        super().__init__()
        self.mixer = mixer          # RepMix か MHLA
        self.mlp   = ChannelMLP(ch, r=mlp_ratio)

    def forward(self, x):
        x = x + self.mixer(x)       # 式(1)の前半
        x = self.mlp(x)             # 式(1)の後半（残差はChannelMLP内で加算）
        return x

# ---------- ネットワーク骨格（S-(Li)例） ----------
class FaceLiVT_S_Li(nn.Module):
    def __init__(self, He=16):
        super().__init__()
        # Stem
        self.stem = nn.Sequential(
            nn.Conv2d(3, 40, 3, 2, 1, bias=True),
            nn.BatchNorm2d(40), nn.GELU(),
            nn.Conv2d(40, 40, 3, 2, 1, bias=True),
            nn.BatchNorm2d(40), nn.GELU()
        )  # 112->56->28

        # Stage1: 28x28, C=40, RepMix x2
        self.s1 = nn.Sequential(*[
            FaceLiVTBlock(RepMix(40, k=3, stride=1), 40) for _ in range(2)
        ])

        # Down to 14x14
        self.down2 = RepMix(40, k=3, stride=2)
        # Stage2: 14x14, C=80, RepMix x4
        self.s2_proj = nn.Conv2d(40, 80, 1, bias=True)
        self.s2 = nn.Sequential(*[
            FaceLiVTBlock(RepMix(80, k=3, stride=1), 80) for _ in range(4)
        ])

        # Down to 7x7
        self.down3 = RepMix(80, k=3, stride=2)
        # Stage3: 7x7, C=160, MHLA x6
        self.s3_proj = nn.Conv2d(80, 160, 1, bias=True)
        self.s3 = nn.Sequential(*[
            FaceLiVTBlock(MHLA(160, 7, 7, He=He, r=2), 160) for _ in range(6)
        ])

        # Down to 4x4
        self.down4 = RepMix(160, k=3, stride=2)
        # Stage4: 4x4, C=320, MHLA x2
        self.s4_proj = nn.Conv2d(160, 320, 1, bias=True)
        self.s4 = nn.Sequential(*[
            FaceLiVTBlock(MHLA(320, 4, 4, He=He, r=2), 320) for _ in range(2)
        ])

        self.head = nn.Sequential(
            nn.AdaptiveAvgPool2d(1),
            nn.Flatten(),
            nn.Linear(320, 512, bias=True)  # CosFace学習で使用
        )

    def forward(self, x):
        x = self.stem(x)                 # 28x28, C=40
        x = self.s1(x)
        x = self.down2(x); x = self.s2_proj(x)  # 14x14, C=80
        x = self.s2(x)
        x = self.down3(x); x = self.s3_proj(x)  # 7x7, C=160
        x = self.s3(x)
        x = self.down4(x); x = self.s4_proj(x)  # 4x4, C=320
        x = self.s4(x)
        emb = self.head(x)               # 512-d
        return emb

    @torch.no_grad()
    def reparam_for_inference(self):
        # RepMixの再パラメータ化（推論高速化）
        for m in self.modules():
            if isinstance(m, RepMix):
                m.fuse_for_inference()

---

9) 推論最適化・移植のポイント

• 学習→推論への切り替え時に、RepMixの fuse_for_inference() を必ず実行（BN融合＋分岐統合）。表3の通り、fused BN はレイテンシ短縮に効く（0.47→0.60ms防止）。

• MHLA は ステージ解像度依存（N固定） の重みを持つため、Core ML / TensorRT 変換前に形状を固定。

• iPhone 15 Pro(Core ML) の計測では、S-(Li)で0.47ms、M-(Li)で0.67ms。エッジ展開では INT8/FP16 量子化も候補。

---

10) 評価・再現用チェックリスト

• 112×112, [-1,1] 正規化

• CosFace + PartialFC, 埋め込み512

• AdamW, LR=6e‑3, poly decay, batch=256, 20/40ep

• S-(Li)＝Param≈5.05M / FLOP≈160M / LFW≈99.6–99.7 / CFP‑FP≈94.6–95.1 / AgeDB≈95.6–96.6 / IJB‑C≈82.5–92.7 / 0.47ms

• M-(Li)＝Param≈9.75M / FLOP≈386M / LFW≈99.7–99.8 / CFP‑FP≈96.0–97.2 / AgeDB≈96.7–97.6 / IJB‑C≈94.1–95.7 / 0.67ms

• He=16で精度優先、He=8で速度優先（表4）。

---

11) まとめ（実装の勘所）

• 前段はRepMix：DWC(k×k)+DWC(1×1)→BN→残差。推論では単一DWCへ折り畳む（BN融合を忘れない）。

• 後段はMHLA：トークン次元に線形×2＋GELU。Nはステージで固定。MHSA不要で長距離関係を近似しつつ高速。

• ハイパラ：r(MLP)=3, He=8/16, S/Mは表1のチャンネル/ブロック数 を踏襲。

• 実運用：Core ML変換＋再パラメータ化済み重みで、EdgeFaceやViT系より高速。

図1（p.2）のブロック図、表1（p.4）の設定、表2–4（p.5）の数値をそのままコードに落とし込めば、学習〜推論まで一気通貫で再現できます。

――以上。