CausalAffect：面向人脸情感理解的因果发现
计算机视觉与模式识别
2025-12-02 v1 人工智能
摘要
从人脸行为中理解人类情感不仅需要精准的识别，还需要对驱动肌肉激活及其表达结果的潜在依赖进行结构化推理。虽然情绪单位（AUs）长期以来一直是情感计算的基础，但现有方法很少直接从数据中推断 AUs 与表情之间的心理学上合理的因果关系。我们提出 CausalAffect——面向人脸情感分析的首个因果图发现框架。CausalAffect 通过一个两层的极性和方向感知因果层级建模 AU-AU 与 AU-表情的依赖，整合了群体水平常规性与样本自适应结构。特征层面的反事实干预机制进一步强制实现真实的因果效应，同时抑制伪相关。重要的是，我们的方法既无需联合标注数据集，也无需手工设计因果先验，却能恢复出与 established psychological 理论一致的因果结构，同时揭示了新的抑制性及先前未 characterization 的依赖。广泛的实验表明，CausalAffect 在 AU 检测和表情识别方面均达到或超越了当前技术水平，建立了因果发现与可解释人脸行为之间的原则性联系。所有训练好的模型和源代码将在接受后公开。
引用
@article{arxiv.2512.00456,
title = {CausalAffect: Causal Discovery for Facial Affective Understanding},
author = {Guanyu Hu and Tangzheng Lian and Dimitrios Kollias and Oya Celiktutan and Xinyu Yang},
journal= {arXiv preprint arXiv:2512.00456},
year = {2025}
}