用于精准人脸关键点检测的级联双分支视觉 Transformer
计算机视觉与模式识别
2025-12-18 v2
摘要
人脸关键点检测是计算机视觉中的基础问题，服务于众多下游应用。本文提出了一种基于视觉 Transformer 的新型人脸关键点检测器，包含两项独特设计：双分支视觉 Transformer (D-ViT) 与长跳跃连接 (LSC)。基于特征图通道维度本质上代表热力图空间线性基这一观察，我们提出通过通道拆分 ViT 学习这些线性基之间的相互联系，以建模关键点间固有的几何关系。我们将这种通道拆分 ViT 与标准视觉 Transformer (即空间拆分 ViT) 融合，形成双分支视觉 Transformer，构成预测模块。我们还建议使用长跳跃连接将低层图像特征传递给所有预测模块，从而防止有用信息被中间监督丢弃。在广泛使用的 WFLW、COFW 和 300W 基准上进行了大量实验，结果表明我们的模型在所有三个基准上均超越了以往的 SOTA。
引用
@article{arxiv.2411.07167,
title = {Cascaded Dual Vision Transformer for Accurate Facial Landmark Detection},
author = {Ziqiang Dang and Jianfang Li and Lin Liu},
journal= {arXiv preprint arXiv:2411.07167},
year = {2025}
}
备注
Accepted by WACV 2025. The code can be found at https://github.com/Human3DAIGC/AccurateFacialLandmarkDetection . Supplementary material is included at the end of the main paper (3 pages, 5 figures, 2 tables)