幻觉与迁移监督：一种用于鲁棒且精准的人脸关键点检测的弱监督方法
计算机视觉与模式识别
2026-01-21 v1
摘要
高精度人脸关键点检测（FLD）依赖于高分辨率深度特征表示。然而，低分辨率人脸图像或原始高分辨率图像的压缩（通过池化或带步幅卷积）阻碍了此类特征的学习，从而降低了 FLD 精度。此外，训练数据不足和标注不精确进一步导致性能下降。为应对这些挑战，我们提出了一种名为幻觉与迁移监督（SHT）的弱监督框架，以实现更鲁棒且更精准的 FLD。SHT 包含两个新颖的相互增强模块：双重幻觉学习网络（DHLN）和人脸姿态迁移网络（FPTN）。通过结合 FLD 与人脸幻觉任务，DHLN 能够从低分辨率输入中学习高分辨率表示，以恢复人脸结构与局部细节，并生成更有效的关键点热力图。随后，通过将人脸从一种姿态转换为另一种姿态，FPTN 可进一步改进关键点热力图与 DHLN 幻觉生成的人脸，以检测更准确的关键点。据我们所知，这是首个通过整合人脸幻觉与人脸姿态迁移任务来探索弱监督 FLD 的研究。人脸幻觉与 FLD 的实验结果均表明，我们的方法超越了现有技术。
引用
@article{arxiv.2601.12919,
title = {Supervision-by-Hallucination-and-Transfer: A Weakly-Supervised Approach for Robust and Precise Facial Landmark Detection},
author = {Jun Wan and Yuanzhi Yao and Zhihui Lai and Jie Zhou and Xianxu Hou and Wenwen Min},
journal= {arXiv preprint arXiv:2601.12919},
year = {2026}
}