MVRD-Bench：用于遮挡下动态遥动学相位图谱的多视角学习与基准
计算机视觉与模式识别
2026-03-25 v1
摘要
遥动学相位图谱（rPPG）是一种通过分析面部视频中细微皮肤颜色变化来估计生理信号的非接触技术。现有的rPPG方法常因依赖静态单视角面部视频，在面部运动和遮挡场景下会出现性能下降。因此，本工作聚焦于解决rPPG测量中由运动引起的遮挡问题，针对不受限制的多视角面部视频。具体而言，我们引入了多视角rPPG数据集（MVRD），该数据集包含来自三个视角的同步面部视频，涵盖静止、说话和头部运动场景，以更好地匹配实际应用条件。我们还提出了MVRD-rPPG，一种统一的多视角rPPG学习框架，通过融合互补的视觉线索来维持稳健的面部皮肤覆盖，尤其是在运动条件下。该方法集成了自适应时序光学补偿（ATOC）模块用于抑制运动伪影， Rhythm-Visual双流网络用于分离节律和外观相关特征，以及多视角相关注意（MVCA）用于自适应视角级信号聚合。此外，我们引入了相关频率对抗（CFA）学习策略，联合强制预测信号的时间准确性、频谱一致性和感知真实性。对MVRD数据集上的大量实验和消融研究表明，我们方法的优越性。在MVRD运动场景中，MVRD-rPPG实现了MAE为0.90、皮尔逊相关系数（R）为0.99。源代码和数据集将对外公开。
关键词
引用
@article{arxiv.2603.22826,
title = {MVRD-Bench: Multi-View Learning and Benchmarking for Dynamic Remote Photoplethysmography under Occlusion},
author = {Zuxian He and Xu Cheng and Zhaodong Sun and Haoyu Chen and Jingang Shi and Xiaobai Li and Guoying Zhao},
journal= {arXiv preprint arXiv:2603.22826},
year = {2026}
}