重新思考基于关键帧的微表情识别：面对关键帧错误的稳健与准确框架
计算机视觉与模式识别
2025-08-12 v1
摘要
微表情识别（MER）是情感计算中极具挑战性的任务。由于微表情（ME）输入基于关键帧索引携带关键信息，基于关键帧的方法显著提高了 MER 的性能。然而，这些方法大多关注在相对准确的关键帧索引上提升性能，而忽略了获取准确关键帧索引的困难以及关键帧索引误差的客观存在，这些因素阻碍了其向实际应用迈进。本文提出了 CausalNet，一种 novel 框架，以实现面对关键帧索引误差的稳健 MER 同时保持准确的识别。为增强鲁棒性，CausalNet 将整个 ME 序列的表示作为输入。为解决完整 ME 范围输入带来的信息冗余并保持准确识别，首先提出了 Causal Motion Position Learning Module（CMPLM），帮助模型定位与行动单位（AUs）相关的肌肉运动区域，从而减少对其他冗余区域的注意力。其次，提出了 Causal Attention Block（CAB），深入学习 MEs 中肌肉收缩和放松运动之间的因果关系。经验实验表明，CausalNet 在不同水平的关键帧索引噪声下均能实现稳健的 MER。同时，在使用提供的标注关键帧的情况下，该方法已超越了多个标准 MER 基准测试中的最先进（SOTA）方法。代码已公开：https://github.com/tony19980810/CausalNet。
引用
@article{arxiv.2508.06640,
title = {Rethinking Key-frame-based Micro-expression Recognition: A Robust and Accurate Framework Against Key-frame Errors},
author = {Zheyuan Zhang and Weihao Tang and Hong Chen},
journal= {arXiv preprint arXiv:2508.06640},
year = {2025}
}