用于人脸解析的边感知图表示学习与推理
计算机视觉与模式识别
2020-07-23 v1
摘要
人脸解析为各面部部件推断逐像素标签，近来受到颇多关注。已有方法展现了其在人脸解析中的效率，然而忽视了不同人脸区域间的相关性。该相关性是关于面部外观、姿态、表情等的关键线索，应在人脸解析中予以考量。为此，我们提出通过学习的图表示来建模并推理区域间关系，并利用区域间的边信息以优化抽象。具体而言，我们将人脸图像编码为全局图表示，其中具有相似特征的一组像素（“区域”）被投影到每个顶点上。我们的模型通过在图上跨顶点传播信息来学习和推理区域间关系。此外，我们引入边信息将逐像素特征聚合到顶点上，从而强调边缘周围的特征以实现沿边缘的精细分割。最终学习的图表示被投影回像素网格以进行解析。实验表明，我们的模型在广泛使用的 Helen 数据集上优于最先进的方法，并在大规模 CelebAMask-HQ 和 LaPa 数据集上展现出优越性能。代码见 https://github.com/tegusi/EAGRNet。
引用
@article{arxiv.2007.11240,
title = {Edge-aware Graph Representation Learning and Reasoning for Face Parsing},
author = {Gusi Te and Yinglu Liu and Wei Hu and Hailin Shi and Tao Mei},
journal= {arXiv preprint arXiv:2007.11240},
year = {2020}
}
备注
ECCV 2020