CVPRJun, 2019

RoI Tanh-Warping 人脸解析

PDF
TL;DR研究提出了一种基于 RoI Tanh-warping operator 的新型混合卷积神经网络用于面部解析，解决了传统基于裁剪和缩放的 RoI 方法无法处理头发等不可预测区域的问题，同时通过全局和局部方法融合来处理内外部面部组件，并通过重新标记 HELEN 数据集的训练数据进行了训练和评估，取得了优于现有方法的性能。
face parsingroisconvolutional neural networkcontextual areahelen dataset
发现论文，激发创造
  • 基于均匀 Tanh 变换的遮挡感知深度卷积神经网络用于人脸分割

    提出了一种基于均匀 tanh 变换的遮挡感知卷积神经网络，用于遮挡人脸部分剖析。

    Aug, 2023

  • 通过循环传播进行人脸解析

    本文提出了结合 CNN 层次表示和基于空间变量递归神经网络的准确标签传播的面部分割算法，能够实现高效的面部图像分析，适用于实时应用。

    Aug, 2017

  • 面部解析的边缘感知图表示学习和推理

    本文提出一种采用图表示法学习面部解析的方法，通过对面部不同区域之间的关系进行建模和推理，并利用区域之间的边缘信息进行优化抽象，较好地完成了对面部图像的细分割。

    Jul, 2020

  • AGRNet：面部解析的自适应图表达学习和推理

    本文提出一种用于面部解析的自适应图形表示学习和图形推理方法，旨在学习描述每个组件的代表性顶点，利用组件之间的关系，对面部区域中的歧义像素产生准确的解析结果。实验结果证明了所提出模型在多个面部解析数据集上的卓越性能，同时验证了其在人体解析任务中的通用性。

    Jan, 2021

  • 基于视觉变换器的面部局部识别

    本文提出了一种全新的脸部识别方法 —— 使用 Vision Transformer 作为架构进行培训，称为 fViT，并通过简单的网络预测面部标记点的坐标再进行后续处理，最终达到了在几个面部识别基准上的最佳准确度。

    Nov, 2022

  • 为了准确的多人解析升级 Parsing R-CNN

    该论文介绍了 Renovating Parsing R-CNN (RP R-CNN) 模型，它采用了全局语义增强的特征金字塔网络和解析重新评分网络，以提高多人解析中的全局认知度和准确实例分割得分，并在 CIHP 和 MHP-v2 数据集上表现出优异的性能。

    Sep, 2020

  • 面部分割和解析结构学习中的共识方法

    通过共识训练和鲁棒性损失函数，实现面部像素细分，并保持空间一致性，得到更少伪影、更少稀疏遮罩和更空间连续的像素预测。

    Nov, 2019

  • 利用面部解析信息进行超分辨率人脸图像处理

    本文提出了一种基于分析图引导的面部超分辨率网络，通过多尺度精化块维护和利用空间和上下文信息来改善可视效果，并在定量指标和视觉质量方面优于现有技术。

    Apr, 2023

  • 基于区域注意力和精细化的轻量级人像抠图

    我们提出了一个高分辨率人像抠图的轻量级模型，无需使用任何辅助输入，并能在高清视频中实时进行处理。我们的模型采用了两阶段的框架，其中低分辨率网络用于粗糙的透明度估计，后续的细化网络用于改善局部区域。通过利用 Vision Transformer（ViT）作为低分辨率网络的主干，在遵循像素信息的同时，能够通过 ViT 的分词步骤降低空间分辨率。为了传播局部上下文信息，我们在细化网络中提出了一种新颖的跨区域注意力（CRA）模块。我们的方法在三个基准数据集上取得了优越结果，并且相比现有最先进模型的 $1/20$ 的 FLOPS，仍能表现出色。

    Nov, 2023

  • 基于互联卷积神经网络的端到端人脸解析

    提出了一种基于 Spatial Transformer Network 的 end-to-end 面部分割框架，称为 STN-iCNN，通过在两个分离的训练阶段之间添加 STN，将原始 two-stage iCNN 连接起来，从而显着提高了面部分割的准确性。

    Feb, 2020