ADNet：在人脸对齐中利用朝向法线方向的误差偏置

CNN 近期的进展极大地提升了人脸对齐性能。然而，极少有工作关注面部关键点的误差分布相关的误差偏置。本文中，我们考察人脸对齐中的误差偏置问题，其中关键点误差的分布倾向于沿关键点曲线的切线方向扩散。该误差偏置并非无关紧要，因为它与模糊的关键点标注任务紧密相连。受此观察启发，我们寻求一种利用误差偏置性质以更好收敛 CNN 模型的方法。为此，我们分别针对坐标回归和热图回归提出各向异性方向损失 (ADL) 与各向异性注意力模块 (AAM)。ADL 对面部边界上每个关键点沿法线方向施加强约束。另一方面，AAM 是一种注意力模块，可获取聚焦于点及其由相邻点连接的局部边缘区域的各向异性注意力掩码，其在切向的响应强于法向，意味着切向约束放松。这两种方法互补地工作以学习面部结构与纹理细节。最后，我们将它们集成到一个名为 ADNet 的优化端到端训练流程中。我们的 ADNet 在 300W、WFLW 和 COFW 数据集上取得最先进结果，证明了其有效性与鲁棒性。