SRFlow：基于吸点光栅化的高分辨率面部光流数据集与正则化模型
计算机视觉与模式识别
2026-01-13 v1
摘要
面部光流支持面部运动分析的各种任务，但缺乏高分辨率面部光流数据集致缓慢了该领域的进展。本文引入了吸点光栅化光流（Splatting Rasterization Flow，SRFlow），即高分辨率面部光流数据集，以及吸点光栅化引导光流网络（Splatting Rasterization Guided FlowNet，SRFlowNet），即针对该任务设计的面部光流模型，具备定制化正则化损失。这些损失利用通过差分或 Sobel 算子计算的掩码和梯度来约束流预测，从而有效抑制纹理稀缺或重复图案区域中的高频噪声和大尺度误差，使 SRFlowNet 成为首个能够显式捕获高分辨率皮肤运动并受高斯吸点光栅化引导的模型。实验表明，使用 SRFlow 数据集可改善各种光流模型的面部光流估计，将端点误差（EPE）降低最高可达 42%（从 0.5081 降至 0.2953）。此外，结合 SRFlow 数据集时，SRFlowNet 在由三个微表情数据集组成的复合数据集上 F1 分数提升最高可达 48%（从 0.4733 提升至 0.6947）。这些结果表明，推进面部光流估计和微表情识别均具有重要价值。
引用
@article{arxiv.2601.06479,
title = {SRFlow: A Dataset and Regularization Model for High-Resolution Facial Optical Flow via Splatting Rasterization},
author = {JiaLin Zhang and Dong Li},
journal= {arXiv preprint arXiv:2601.06479},
year = {2026}
}