FED-Bench：用于解�od 化面部表情编辑的跨粒度基准
计算机视觉与模式识别
2026-04-01 v1
摘要
面部表情图像编辑需要严格保持人类身份和背景的同时，才能精确地操控表情。然而，现有的编辑基准主要关注通用场景，缺乏高质量的面部图像和相应的编辑指令。此外，当前的评估指标在这一任务中存在系统性偏差，常常偏向懒散编辑或过拟合编辑。为弥合这些差距，我们提出了 FED-Bench，一个包含严密测试和准确评估套件的全面基准。首先，我们通过级联且可扩展的管道仔细构建了一个包含 747 个三元组的基准，每个三元组包括原始图像、编辑指令和用于精确评估的基准图像。其次，我们引入了 FED-Score，一种跨粒度评估协议，将评估解耦为三个维度：Alignment 用于验证指令遵循情况，Fidelity 用于测试图像质量和身份保留，Relative Expression Gain 用于量化表情变化的幅度，有效缓解了此前提到的评估偏差。第三，我们对 18 个图像编辑模型进行基准测试，发现当前方法在实现高保真度和准确表情操控方面存在挑战，表明细粒度指令遵循是主要瓶颈。最后，利用所引入基准引擎的可扩展性，我们提供了 20k+ 张野外面部训练图像，并通过微调基线模型实现了显著的性能提升。我们的基准和相关代码将很快公开。
引用
@article{arxiv.2603.29697,
title = {FED-Bench: A Cross-Granular Benchmark for Disentangled Evaluation of Facial Expression Editing},
author = {Fengjian Xue and Xuecheng Wu and Heli Sun and Yunyun Shi and Shi Chen and Liangyu Fu and Jinheng Xie and Dingkang Yang and Hao Wang and Junxiao Xue and Liang He},
journal= {arXiv preprint arXiv:2603.29697},
year = {2026}
}