MetaFBP：学习高阶预测器用于个性化面部美感预测
计算机视觉与模式识别
2023-11-27 v1
摘要
预测个体审美偏好对人类社会的实际应用与学术意义显著。然而，现有研究主要关注面部吸引力的共性学习与预测，很少关注个性化面部美感预测（PFBP）。PFBP旨在用每个用户仅评分的少量图像，开发出能适应用户个体审美偏好的机器。本文将此任务从元学习视角建模，每个用户对应一个元任务。为解决该PFBP任务，我们从人类审美机制获得启发：社会中的视觉美学服从高斯分布，这促使我们将用户偏好解耦为共性与个性两部分。为此，我们提出一种新颖的MetaFBP框架，其中设计通用特征提取器捕捉审美共性，随后通过元学习机制移动预测器决策边界来优化适应审美个性。不同于可能在缓慢自适应或过小支持集过拟合上挣扎的传统元学习方法，我们提出一种优化高阶预测器以实现快速自适应的新方法。为验证所提方法性能，我们利用现有由众多用户评分的面部美感预测数据集构建了若干PFBP基准。在这些基准上的大量实验证明了所提MetaFBP方法的有效性。
引用
@article{arxiv.2311.13929,
title = {MetaFBP: Learning to Learn High-Order Predictor for Personalized Facial Beauty Prediction},
author = {Luojun Lin and Zhifeng Shen and Jia-Li Yin and Qipeng Liu and Yuanlong Yu and Weijie Chen},
journal= {arXiv preprint arXiv:2311.13929},
year = {2023}
}
备注
Accepted by ACM MM 2023. Source code: https://github.com/MetaVisionLab/MetaFBP