Facial-R1：面部情感分析中的推理与识别对齐

面部情感分析（Facial Emotion Analysis, FEA）扩展了传统的面部情感识别，纳入了可解释的细粒度推理。该任务集成了三个子任务：情感识别、面部动作单元（Action Unit, AU）识别以及基于AU的情感推理，以联合建模情感状态。虽然最近的方法利用视觉语言模型（Vision-Language Models, VLMs）并取得了有希望的成果，但它们面临两个关键限制：（1）幻觉推理，即VLMS生成的合乎情节但不准确的解释由于情感特定知识不足而导致；（2）情感推理与识别之间的对齐，由于观察到的面部特征与最终标签之间的碎片化连接而导致。我们提出了Facial-R1，一个三阶段对齐框架，有效地以最小的监督解决上述两个挑战。首先，我们采用指令微调来建立基本的情感推理能力。其次，我们引入以情感和AU标签作为奖励信号的强化学习训练，显式地将生成的推理过程与预测的情感对齐。最后，我们设计了一个数据合成管道，迭代地利用前述阶段扩展训练数据集，实现可扩展的自我改进。建立在该框架之上，我们引入FEA-20K，一个包含17,737个训练样本和1,688个测试样本的基准数据集，具有细粒度情感分析注释。跨八个标准基准的广泛实验表明，Facial-R1在FEA中实现了状态-of-the-art性能，具有强大的泛化能力和稳健的可解释性。