用于学习局部感受野的掩码线性回归及其在面部表情合成中的应用
计算机视觉与模式识别
2020-11-19 v1
摘要
与面部表情识别相比，表情合成需要非常高维的映射。随着图像尺寸增大，该问题愈发严重，并将现有表情合成方法局限于相对较小的图像。我们观察到面部表情通常构成从一个表情到另一个表情的稀疏分布且局部相关的变化。利用这一观察，表情合成模型中的参数数量可显著减少。因此，我们提出一种利用面部表情局部与稀疏结构的岭回归约束版本。我们将该模型视为用于学习局部感受野的掩码回归。与现有方法相比，我们提出的模型可高效地在更大图像尺寸上训练。使用三个公开可用数据集的实验表明，我们的模型在均方误差、视觉质量以及计算和空间复杂度方面显著优于和回归、基于SVD的方法以及核回归。参数数量的减少使我们的方法即使在较小数据集上训练后也能更好地泛化。所提算法还与包括Pix2Pix、CycleGAN、StarGAN和GANimation在内的SOTA(最先进) GANs进行了比较。这些GANs在测试与训练分布相似时产生照片级真实结果。相比之下，我们的结果表明所提算法对分布外的人类照片、铅笔素描甚至动物面部具有显著泛化能力。
引用
@article{arxiv.2011.09104,
title = {Masked Linear Regression for Learning Local Receptive Fields for Facial Expression Synthesis},
author = {Nazar Khan and Arbish Akram and Arif Mahmood and Sania Ashraf and Kashif Murtaza},
journal= {arXiv preprint arXiv:2011.09104},
year = {2020}
}
备注
IJCV Journal