AAAINov, 2018

面向高分辨率视频的高精度稳定人脸对齐

PDF
TL;DR本研究提出了一种基于分数热力图回归的高分辨率视频人脸对齐方法，该方法可以准确估计热图中的分数部分，并提出了一个新的稳定损失来解决时间延迟和非平滑问题。实验证明，该方法的精度和稳定性优于现有的方法。
heatmap regressionface alignmentpose estimationfractional regressionstabilization loss
发现论文，激发创造
  • 面部特征点定位的亚像素热图回归

    本文提出了一种新的基于连续分布的热图编码与解码方法以及引入 Siamese-based 训练策略，显著提高了面部特征定位的准确度，并在多个数据集上取得了新的最先进结果。

    Nov, 2021

  • 重新思考基于热力图回归的自下而上的人体姿势估计

    本研究提出了基于尺寸自适应和权重自适应的热度图回归方法用于人体姿态估计，通过适应性地调整每个关键点的标准偏差以更好地面对人体尺度以及标注的不确定性。实验证明，该方法可以显著提高底部姿态估计的准确性，使其超越现有状态下最先进的顶部方法，并在 COCO 测试 - dev2017 上获得 72.0AP 的成绩。

    Dec, 2020

  • 自适应翼形损失在通过热图回归实现稳健人脸对齐中的应用

    该论文提出了适应性翼形损失函数和加权损失映射以及其他一些方法，用于提高热图回归定位面部关键点的准确性，并在不同的基准测试中显著优于现有方法。

    Apr, 2019

  • 野外 1st 3D 人脸对齐 (3DFAW) 挑战的两阶段卷积部位热图回归

    该论文描述了一种基于卷积部位热图回归的方法，将其用于 3D 人脸对齐并获得了 3DFAW 挑战赛的第一名，超过第二名超过 22% 的结果。

    Sep, 2016

  • 人体姿态估计轻量级超分辨率头

    基于热图的方法已经成为姿势估计的主流方法，但由于通过降低重要热图的大小而带来量化误差的原因，这些方法受到了一定的限制，而且中间监督也起到了有害效果。为了解决以上问题，该论文提出了 SRPose 方法，通过将骨干网络视为降级过程并重新构建热图预测作为超分辨率任务，从而有效降低了量化误差和进一步后处理的依赖。实验结果显示 SRPose 在 COCO、MPII 和 CrowdPose 数据集上的性能优于其他基于热图的方法。

    Jul, 2023

  • 使用 2D 边缘热图进行 3D 人体姿态估计

    本文介绍了一种改进的三维人体姿势预测模型 MargiPose，它使用深度神经网络和增强软最大值方案，可以在保持可微性的同时，从单眼 RGB 图像中预测二维边缘热图，并在公开的三维人体姿势估计数据上实现了最新的准确性。

    Jun, 2018

  • 用于单阶段多人姿态估计的混合模型

    本研究提出了一个称为 HybridPose 的混合模型，通过最大化两种方法的优点来互相克服它们的缺点，同时引入自相关损失来注入关键点坐标和可见性之间的空间依赖性，从而在不降低姿势估计准确性的情况下展示了关键点的可见性。

    May, 2023

  • 3FabRec: 基于重构的快速小样本人脸对齐

    本文提出了一种基于半监督学习的方法，其思想是通过无监督学习生成脸部特征并使用转移学习的方式实现面部特征检测，该模型表现出广泛的适应性和高精度，并且在只有十个训练图片的情况下也能保持较高的准确率。

    Nov, 2019

  • 知道何时放弃：基于 Patch Attention 的选择性级联回归用于实时人脸对齐

    研究了面部关键点估计的准确性和速度问题，提出了一种基于软件的面部关键点姿态估计方法，利用逐步迭代预测回归误差的方法来区分样本，通过多尺度、基于补丁的轻量级特征提取器来进行面部关键点姿态估计，在移动设备 GPU 上实现了实时运行。

    Aug, 2021

  • 通过热图回归实现联合动作单元定位和强度估计

    本论文提出了一种监督学习方法，同时实现面部动作单位（AU）的本地化和强度估计，通过热图回归直接和联合估计所有 AU 强度和其可能导致可见变化的面部位置，旨在学习每 AU 的每个空间位置的得分。在 BP4D 数据集中，该方法取得了最新技术水平，同时对位移误差具有稳健性。

    May, 2018