UAU-Net：面向人脸动作单元检测的不确定性感知表征学习与证据分类
计算机视觉与模式识别
2026-04-24 v1 多媒体
摘要
人脸动作单元 (AU) 检测仍具有挑战性，因为它涉及从表征阶段到决策阶段产生的异构、AU 特有的不确定性。近期方法虽改进了判别特征学习，但常将 AU 表征视为确定性，忽略由视觉噪声、主观依赖的外观变化以及模糊的 AU 间关系引起的不确定性，这些不确定性会显著降低鲁棒性。此外，常用的点估计分类器常提供不良校准的置信度，在 AU 数据集中常见的严重标签不平衡情况下，尤其容易产生过高的预测置信度。我们提出 UAU-Net，一个在两个阶段显式建模不确定性的 AU 检测框架。在表征阶段，我们引入基于条件变分自编码器 (CVAE) 的 AU 特征提取模块 (CV-AFE)，通过在多个时空尺度上联合估计特征均值和方差来学习概率化的 AU 表征；基于 AU 标签的条件化进一步使 CV-AFE 能够捕捉 AU 间依赖关系引起的不确定性。在决策阶段，我们设计 AB-ENN，即用于多标签 AU 检测的非对称 Beta 证据神经网络，该网络以 Beta 分布参数化预测不确定性，并通过针对高度不平衡的二元标签设计的非对称损失函数缓解过度自信问题。大量实验表明，UAU-Net 在 BP4D 和 DISFA 上的 AU 检测性能均表现优异，进一步的分析表明，在表征学习和证据预测中建模不确定性能够提升鲁棒性和可靠性。
引用
@article{arxiv.2604.21227,
title = {UAU-Net: Uncertainty-aware Representation Learning and Evidential Classification for Facial Action Unit Detection},
author = {Yuze Li and Zhilei Liu},
journal= {arXiv preprint arXiv:2604.21227},
year = {2026}
}
备注
Accepted by ICMR 2026