CVPRJun, 2017

深度对齐网络：用于鲁棒性人脸对齐的卷积神经网络

PDF
TL;DR本文提出了一种基于深度神经网络结构的鲁棒人脸对齐方法 Deep Alignment Network (DAN)，DAN 采用全脸图像进行人脸对齐而非局部补丁，并通过在算法的每个阶段利用地标热图来提供之前阶段的视觉信息，从而使 DAN 处理具有大头姿态变化和困难初始化的面孔图像。我们在两个公开数据集上进行了广泛评估，结果表明 DAN 将失败率的最新技术水平降低了高达 70%。
deep alignment networkface alignmentneural networkfacial landmarkslandmark heatmaps
发现论文，激发创造
  • 使用多任务级联卷积网络进行联合人脸检测和对齐

    该论文提出了一个采用深度级联多任务框架的人脸检测和对齐方法，利用深度学习及在线难样本挖掘等技术，在 FDDB、WIDER FACE 和 AFLW 等基准测试中取得了优于同类算法的高准确度和实时性能。

    Apr, 2016

  • 面部标志识别的情感识别

    该研究提出了一种基于面部标志的情感识别分类损失函数修改方法，将一种新方法 EmotionalDAN 应用于情感识别上，并在两个挑战性基准数据集上实现了比最先进的情感分类方法高达 5% 的准确度。

    Apr, 2018

  • 野外多视图人脸对齐

    本文提出了一种联合多视角卷积网络，用于处理野外环境下面部姿态的大幅度变化，并优雅地桥接面部检测和面部标记定位任务，该方法对于半正面和侧面脸可检测和对齐大量关键点，并在多个数据集上证明了对于面部追踪和面部检测的显著改进。

    Aug, 2017

  • 密集人脸对齐

    本文提出一种利用 CNN 进行 3D 面部形状估计的方法，实现了对于姿态变化较大的大角度面部图像的高精度、稠密三维对齐。

    Sep, 2017

  • 我们离解决 2D 和 3D 面部对齐问题还有多远？(一个包含 230,000 个 3D 面部标记的数据集)

    本文研究了非常深层神经网络在现有的 2D 和 3D 人脸对齐数据集中实现饱和性能的距离。通过构建一个强大的基线，创建引导 2D 标记的网络并创建最大的和最具挑战性的 3D 人脸标记数据集 LS3D-W，训练和评估神经网络，并探究大小等因素的影响，该研究证明 2D 和 3D 人脸对齐网络均实现了接近饱和性能的显著高精度水平。

    Mar, 2017

  • 多路径神经架构搜索的稳健三维人脸对齐

    通过神经架构搜索的多路径单次搜索算法，提出了一种新的提高不同面部姿势下人脸对齐准确性的方法。实验结果表明，该方法在稀疏对齐和密集对齐方面均具有卓越性能。

    Jun, 2024

  • 深度对抗网络对齐

    使用深度对抗学习技术，通过找到复杂的映射来对齐两个网络的嵌入分布，然后使用我们学习到的映射函数进行高效的最近邻节点对齐，该算法能够在真实世界的数据集上展现其有效性。

    Feb, 2019

  • 跨大姿态的人脸对齐：一种三维解决方案

    提出了一种新的 3D 密集面部对齐框架 (3DDFA)，通过卷积神经网络 (CNN) 将密集的 3D 面部模型拟合到图像中，解决了面部对齐中的圆形视图问题，面部外观变化剧烈问题和面部关键点标记困难问题，并通过在 profile 视图下合成大规模训练样本来解决关键点标记困难问题，并在具有挑战性的 AFLW 数据库上实验，证明我们的方法明显优于现有最先进方法。

    Nov, 2015

  • DeCaFA: 面部对齐的深度卷积级联网络

    DeCaFA 是一种端到端的深度卷积级联体系结构，它使用全卷积阶段保持整个级联的完整空间分辨率，并利用多个链接转移层生成面部对齐任务的每个标记的基于注意力的地标注意力图。通过加权中间监督以及阶段之间的高效功能融合，DeCaFA 可以学习逐步以端到端的方式细化注意力图。结果表明，DeCaFA 在 300W，CelebA 和 WFLW 数据库上显着优于现有方法。此外，研究表明 DeCaFA 能够利用粗略注释数据从极少量图像中学习良好的对齐。

    Apr, 2019

  • 基于双变形器的堆叠稠密 U-Net 网络用于鲁棒性人脸对齐

    我们提出了一种基于堆叠密集 U-Nets 的人脸关键点检测模型，采用新颖的网络结构和协同损失函数，通过变形卷积实现空间不变性，并在多个真实场景数据集上验证了模型的鲁棒性和在 3D 人脸识别方面的应用。

    Dec, 2018