看边界：边界感知面部对齐算法
摘要
我们通过利用边界线作为人脸的几何结构来提出一种新颖的边界感知人脸对齐算法，以帮助进行面部地标定位。与传统的基于热图的方法和基于回归的方法不同，我们的方法从边界线导出面部地标，这消除了界标定义中的模糊性。这项工作探讨并回答了三个问题：
- 为什么要使用边界？
- 如何使用边界？
- 边界估计与地标定位之间有什么关系？
我们的 boundaryaware 人脸对齐算法在 300-W Fullset 上 实现了 3.49％ 的平均误差，其远远优于大多数最先进的方法。该方法利用 300-W 数据集的边界信息，在 COFW 数据集上平均误差为 3.92%，失效率为 0.39%，在 AFLW 数据集上平均误差为 1.25%。此外，我们还提出了一个新的数据集 WFLW 来统一不同因素的训练和测试，包括姿势、表情、光照、化妆、遮挡和模糊。数据集和模型可通过 https://wywu.github.io/projects/LAB/LAB.html 公开获取。
1. 简介
在本工作中，人脸对齐是指面部地标的检测，它是许多人脸应用的关键步骤，例如人脸识别 [75] 、人脸验证 [48，49] 和人脸正面化 [21]。本文的目的是在多个数据集和标注协议之间设计一种有效的面部对齐算法，来处理具有无约束的姿势变化和遮挡的面部。
与人脸检测 [45] 和识别 [75] 不同，人脸对齐识别人脸的几何结构，可以看作是高度结构化输出的建模。每个面部地标都与明确的面部边界密切相关，例如眼睑和鼻梁。然而，与边界相比，面部地标的定义并不那么清晰。由于姿态变化大、遮挡严重，除了角以外的面部地标很难保持相同的语义位置。此外，现有数据集的不同标注方案导致不同的地标数量 [28,5,66,30](19/29/68/194 points) ，未来人脸比对数据集的标注方案难以确定。我们相信独特的面部结构的推理是定位面部地标的关键，因为人脸不包含歧义。
