LDDMM-Face：面向灵活且一致人脸对齐的大变形微分同胚度量学习
计算机视觉与模式识别
2021-08-03 v1
摘要
我们创新性地提出了一种灵活且一致的人脸对齐框架 LDDMM-Face，其关键贡献是一个以微分同胚方式自然嵌入面部几何的形变层。我们未通过热图或坐标回归预测面部关键点，而是以微分同胚配准方式表述该任务，并预测唯一参数化初始边界与真实边界之间形变的动量，随后对曲线与关键点同时执行大变形微分同胚度量映射（LDDMM）以定位面部关键点。由于将 LDDMM 嵌入深度网络，LDDMM-Face 能无歧义地一致标注面部关键点，灵活处理各种标注方案，甚至能从稀疏标注预测稠密标注。我们的方法可轻松集成到各类人脸对齐网络中。我们在四个基准数据集 300W、WFLW、HELEN 和 COFW-68 上广泛评估 LDDMM-Face。在传统同数据集与同标注设定下，LDDMM-Face 与最先进（state-of-the-art）方法相当或更优，但在处理弱监督学习（部分到完整）、挑战性案例（如遮挡人脸）以及不同训练与预测数据集时真正脱颖而出。此外，LDDMM-Face 在跨不同标注方案数据集预测这一最具挑战性的任务上展现出有前景的结果。
关键词
引用
@article{arxiv.2108.00690,
title = {LDDMM-Face: Large Deformation Diffeomorphic Metric Learning for Flexible and Consistent Face Alignment},
author = {Huilin Yang and Junyan Lyu and Pujin Cheng and Xiaoying Tang},
journal= {arXiv preprint arXiv:2108.00690},
year = {2021}
}
备注
11 pages, 4 figures