Efficient Face Alignment via Locality-constrained Representation for Robust Recognition
South China University of Technology（华南理工大学）；Peking University（北京大学）；Shenzhen University（深圳大学）；Chinese Academy of Sciences（中国科学院）
在过去的几十年里，人们一直在研究实用的人脸识别，但仍然是一个开放的挑战。目前流行的方法已经在识别精度方面取得了实质性的突破。然而，如果人脸样本严重错位，它们的性能通常会急剧下降。为了解决这个问题，我们提出了一个高效的误识鲁棒局部约束表示（MRLR）算法，用于实际的实时人脸识别。具体地说，局部约束，激活最相关的原子和抑制不相关的，被应用于构建字典的人脸对齐。然后，我们同时对齐扭曲的脸，并更新局部约束字典，最终获得最终的对齐。此外，我们利用块结构来加速导出的解析解。在公共数据集上的实验结果表明，MRLR在效率和可扩展性方面明显优于几种最先进的方法，具有更好的性能。
2015-10-31 cs.CV
Pixel-Level Alignment of Facial Images for High Accuracy Recognition Using Ensemble of Patches
Sharif University of Technology（谢里夫理工大学）
人脸的姿态、光照和表情的变化使得人脸识别仍然是一个具有挑战性的问题。作为整体方法中的预处理，人脸通常由眼睛对齐。所提出的方法试图执行像素对齐，而不是眼睛对齐，通过映射到一个参考面的面的几何形状，同时保持自己的纹理。所提出的几何对齐不仅在所有人脸的每个像素之间创建有意义的对应关系，而且有效地消除了表情和姿态变化。几何对齐是逐像素执行的，即，人脸的每个像素对应于参考人脸的一个像素。该方法将人脸的灰度信息和几何信息适当分离，分别用不同的分类器进行训练，最后融合在一起进行人脸识别。实验结果表明，使用该方法相比，眼睛对齐的识别有很大的改善。例如，在错误接受率为0.001时，Yale和AT&T数据集的识别率分别提高了24%和33%。在LFW数据集中，这是一个具有挑战性的大数据集，在FAR为0.1时，改进为20%。
2018-02-07 cs.CV
Tree-gated Deep Regressor Ensemble For Face Alignment In The Wild
Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Institut des Systèmes Intelligents et de Robotique（智能系统与机器人研究所）；Datakalab
面部对齐包括在图像中的面部上对齐形状模型。它是计算机视觉中的一个活跃领域，因为它是面部表情识别、面部识别和跟踪、面部动画等应用的预处理。当前最先进的方法已经在“简单”数据集上表现良好，即那些在头部姿势、表情、照明或部分遮挡方面存在适度变化的数据集，但对“野外”数据可能不鲁棒。在本文中，我们解决这个问题，使用一个合奏的深度回归，而不是一个单一的大型回归。此外，而不是平均每个回归的输出，我们提出了一个自适应加权方案，使用树结构的门。在几个具有挑战性的人脸数据集上的实验表明，我们的方法优于最先进的方法。
2019-07-10 cs.CV
Accurate and Efficient Similarity Search for Large Scale Face Recognition
BUPT（北京邮电大学）
在深度神经网络的鉴别特征的帮助下，人脸验证是一项相对容易的任务。然而，在保持高性能和效率的同时识别数百万个身份的人脸仍然是一个挑战。MS-Celeb-1 M的挑战2是分类任务。然而，身份的数量太大，并且将该任务视为图像分类任务并不那么优雅。我们将分类任务视为相似性搜索，并对不同的相似性搜索策略进行了实验。相似性搜索策略加快了搜索速度，提高了最终结果的准确性。用于提取特征的模型是在CASIA-Webface上预训练的单个深度神经网络，其不是在官方提供的基础集合或新集合上训练的。最后对\textbf{3rd}进行排序，搜索速度为1 ms/图像。
2018-06-01 cs.CV
Towards End-to-End Face Recognition through Alignment Learning
Tsinghua University（清华大学）
在过去的十年中，人们提出了许多有效的人脸识别方法。虽然这些方法在许多方面有本质的不同，但它们的共同做法是在特征提取之前基于人脸结构的先验知识来具体地对准面部区域。在大多数系统中，人脸对齐模块是独立实现的。这实际上给端到端人脸识别模型的设计和训练带来了困难。在本文中，我们研究了端到端人脸识别中对齐学习的可能性，其中既不需要面部标志的先验知识，也不需要人工定义的几何变换。具体地，空间Transformer层被插入到卷积神经网络（CNN）中的特征提取层之前以用于面部识别。只有人类身份线索用于驱动神经网络自动学习最合适的几何变换和最合适的面部区域的识别任务。为了确保可重复性，我们的模型完全在公开可用的CASIA-WebFace数据集上进行训练，并在Labeled Face in the Wild（LFW）数据集上进行测试。我们已经实现了99.08%的验证准确度，这是最先进的基于单一模型的方法相媲美。
2017-01-25 cs.CV
Robust Face Recognition by Constrained Part-based Alignment
Zhejiang University（浙江大学）；University of Macau（澳门大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
开发可靠、实用的人脸识别系统是计算机视觉研究的一个长期目标。现有的文献表明，像素级的人脸对齐是实现高精度人脸识别的关键。通过假设一个人的脸作为分段平面表面，其中每个表面对应于一个面部的一部分，我们在本文中开发了一个约束部分为基础的对齐（CPA）算法的人脸识别跨姿态和/或表情。我们提出的算法是基于一个可训练的CPA模型，它学习各个部分的外观证据和不同部分之间的树形结构的形状配置。给定一个探头面，CPA同时对齐所有的部分，通过拟合它们的外观证据与考虑约束的树结构的形状配置。这个目标被制定为一个规范的最小化问题，正则化的图形似然。CPA可以很容易地与许多现有的分类器集成，以执行基于部分的人脸识别。在基准人脸数据集上的大量实验表明，CPA优于或等同于现有的方法，用于在姿态、表情和/或光照变化下进行鲁棒的人脸识别。
2015-01-20 cs.CV cs.LG
Face frontalization for Alignment and Recognition
Imperial College London（帝国理工学院）；University of Twente（特文特大学）
最近，它被证明可以在人脸地标定位和姿态不变的人脸识别取得优异的成绩。这些突破归功于社区在许多不同姿势下手动注释面部图像和收集3D面部数据的努力。在本文中，我们提出了一种新的方法，联合人脸地标定位和正面人脸重建（姿态校正），只使用一小部分正面图像。通过观察，正面的面部图像是一个最小的排名从所有不同的姿势，我们制定了一个适当的模型，能够共同恢复面部地标，以及frontalized版本的脸。为此，解决了一个合适的优化问题，涉及核范数和矩阵$\ell_1$范数的最小化。通过在$6$人脸图像数据库上进行实验，对所提出的方法在正面人脸重建（姿态校正）、人脸标志点定位和姿态不变人脸识别与验证方面进行了评估。实验结果证明了该方法的有效性。
2015-02-03 cs.CV
Stacked Dense U-Nets with Dual Transformers for Robust Face Alignment
InsightFace；Imperial College London（帝国理工学院）
在野外拍摄的图像中，面部标志点定位是一个重要且具有挑战性的问题。目前的最新技术围绕着某些类型的深度卷积神经网络（DCNN），如堆叠U网和沙漏网络。在这项工作中，我们创新性地提出了堆叠密集U网来完成这项任务。我们设计了一种新的规模聚合网络拓扑结构和信道聚合模块，在不牺牲计算复杂性和模型规模的前提下提高了模型的容量。借助于堆叠密集U网内部的可变形卷积和外部数据变换的相干损失，我们的模型获得了对任意输入人脸图像空间不变的能力。在大量野外数据集上的实验验证了该方法在极端姿态、夸张表情和严重遮挡情况下的鲁棒性。最后，我们表明，准确的三维人脸对齐可以帮助姿态不变的人脸识别，我们实现了一个新的国家的最先进的CFP-FP的准确性。
2018-12-05 cs.CV
Face Detection and Face Recognition In the Wild Using Off-the-Shelf Freely Available Components
Information Technology University（信息技术大学）
本文提出了一种简单有效的人脸检测和人脸识别方法，使用免费的软件组件从互联网上。人脸检测和人脸识别问题在家庭和办公室安全中有着广泛的应用。因此，这项工作将有助于那些寻找一个自由的脸现成的人脸检测系统。使用该系统，可以在不受控制的环境中检测人脸。在检测阶段，检测到每个人的脸，在识别阶段，检测到的脸与给定数据集中的脸进行比较并识别。
2019-01-19 cs.CV
Can a biologically-plausible hierarchy effectively replace face detection, alignment, and recognition pipelines?
MIT（麻省理工学院）；McGovern Institute for Brain Research（麦戈文脑科学研究所）
在自然照片中进行无约束人脸识别的标准方法是通过检测、对齐和识别管道。虽然这种方法取得了令人印象深刻的结果，但有几个原因令人不满意，其中之一是缺乏生物相容性。最近的一个前馈分层网络（如HMAX，其他卷积网络，或可能的腹侧流）的不变识别理论意味着无约束人脸识别的另一种方法。这种方法通过存储训练图像的变换（称为模板）来隐式地完成检测和对齐，而不是在测试时显式地检测和对齐人脸。在这里，我们提出了一个特定的位置敏感的哈希为基础的投票计划，我们称之为“共识的冲突”，并表明它可以用来近似的理论所隐含的完整的3层层次结构。所得到的用于无约束人脸识别的端到端系统对在自然条件下拍摄的人脸照片进行操作，例如，标签的脸在野外（LFW），没有对齐或裁剪他们，因为通常这样做。它在端到端任务上实现了最先进的技术水平的大幅改进，达到了与在对齐的、紧密裁剪的图像（没有外部训练数据）上运行的最佳系统相同的性能水平。它在两个较新的数据集上也表现良好，类似于LFW，但更困难：LFW-jittered（新的）和SUFR-W。
2014-03-26 cs.CV
Real-time Memory Efficient Large-pose Face Alignment via Deep Evolutionary Network
Northeastern University（东北大学）；University of Massachusetts Dartmouth（马萨诸塞大学达特茅斯分校）；Southeast University（东南大学）
由于最近人脸识别应用的爆炸式增长，迫切需要以存储高效和实时的【形】的方式应用人脸对齐。然而，影响因素，如大的姿态变化和计算效率低下，仍然阻碍其广泛的实施。为此，我们提出了一个计算效率高的深度进化模型与3D扩散堆映射（DHM）集成。首先，我们引入了一个稀疏的三维DHM，以协助在极端的姿势条件下的初始建模过程。然后，提取一个简单有效的CNN特征，并将其输入递归神经网络（RNN）进行进化学习。为了加速模型，我们提出了一个有效的网络结构，通过因子分解策略来加速进化学习过程。在三个流行的比对数据库上进行的大量实验表明，所提出的模型优于现有技术，特别是在大姿态条件下。值得注意的是，我们模型的计算速度比CPU上的最新技术快6倍，比GPU上的最新技术快14倍。我们还讨论和分析了我们的模型和未来的研究工作的局限性。
2019-11-01 cs.CV
Coarse-to-fine Face Alignment with Multi-Scale Local Patch Regression
Megvii Inc.（旷视科技有限公司）
人脸标志点定位在人脸识别和分析应用中具有重要的作用。在本文中，我们简要介绍了一个由粗到细的流水线与神经网络和序列回归。首先，将全局卷积网络应用于整体面部图像以给出初始地标预测。然后裁剪多尺度局部图像块的金字塔，以馈送到每个地标的新网络，以改进预测。由于细化网络输出比输入更准确的位置估计，因此可以重复这种过程若干次，直到估计收敛。我们在300-W数据集上评估了我们的系统[11]，它的性能优于最近的最新技术。
2015-11-16 cs.CV
ARoFace: Alignment Robustness to Improve Low-Quality Face Recognition
West Virginia University（西弗吉尼亚大学）
针对低质量人脸识别中模型对对齐误差敏感的问题，提出将人脸对齐误差作为FR特定质量因素，通过可微空间变换与对抗性数据增强提升模型鲁棒性，在多个基准上显著提升性能。
2024-07-20 cs.CV
Face Search at Scale: 80 Million Gallery
由于社交媒体网站的流行，计算机视觉研究人员面临的一个挑战是设计方法来处理和搜索这些网站上数十亿张共享照片中的感兴趣的人。Facebook在2013年的一份白皮书中透露，其用户已经上传了超过2500亿张照片，每天上传3.5亿张新照片。由于数据量巨大，大规模的人脸搜索挖掘网络图像既重要又具有挑战性。尽管在人脸识别方面取得了重大进展，但搜索大量无约束人脸图像的问题尚未得到充分解决。为了解决这一挑战，我们提出了一个人脸搜索系统，它结合了快速搜索过程，再加上一个国家的最先进的商业现货（COTS）匹配，在级联框架。给定一个探针脸，我们首先过滤大图库的照片，使用从卷积神经网络生成的深度特征找到前k个最相似的脸。通过组合来自深度特征和COTS匹配器的相似性来对k个候选者重新排序。我们评估建议的人脸搜索系统上的画廊包含80万网络下载的人脸图像。实验结果表明，在无约束人脸识别基准测试（LFW和IJB-A）上，深度特征与最先进的方法具有竞争力。此外，所提出的人脸搜索系统在由数百万张图像组成的数据集上提供了准确性和可扩展性之间的良好权衡。此外，在涉及搜索波士顿马拉松爆炸案的Tsarnaev兄弟的面部图像的实验中，所提出的面部搜索系统可以在5 M画廊中在1秒内找到弟弟（Dzhokhar Tsarnaev）的照片，在80 M画廊中在7秒内排名第8。
2015-07-28 cs.CV
Impact of Image Context for Single Deep Learning Face Morphing Attack Detection
University of Coimbra（科英布拉大学）；Institute of Systems and Robotics（系统与机器人研究所）
本研究探讨输入图像对齐设置对深度学习人脸变形检测性能的影响，分析人脸轮廓与图像上下文联系，提出最佳对齐条件。
2023-09-01 cs.CV
Joint Feature Distribution Alignment Learning for NIR-VIS and VIS-VIS Face Recognition
NEC Biometrics Research Laboratories（NEC生物识别研究实验室）；NEC Corporation（NEC公司）
由于深度学习的最新发展，可见光（VIS）图像的人脸识别实现了高准确性。然而，异构人脸识别（HFR），这是一个在不同领域的人脸匹配，仍然是一个困难的任务，由于领域的差异和缺乏大的HFR数据集。有几种方法试图通过微调来减少域差异，这导致VIS域中的性能显著下降，因为它失去了高度区分的VIS表示。为了克服这个问题，我们提出了联合特征分布对齐学习（JFDAL），这是一种利用知识蒸馏的联合学习方法。它使我们能够实现高HFR性能，同时保留VIS域的原始性能。大量的实验表明，我们提出的方法提供了统计上显着更好的性能相比，传统的微调方法在公共HFR数据集Oulu-CASIA NIR&VIS和流行的验证数据集在VIS域，如FLW，CFP，CFDB。此外，与现有的国家的最先进的HFR方法的比较实验表明，我们的方法实现了可比的HFR性能的Oulu-CASIA NIR和VIS数据集的VIS性能下降较少。
2022-04-25 cs.CV cs.LG
Inter-class Discrepancy Alignment for Face Recognition
SenseTime Group Limited（商汤集团有限公司）
随着深度学习的兴起，人脸识别领域取得了长足的进步。现有的方法主要集中在提取区分性特征上，直接通过点到点的方式计算余弦或L2距离，而不考虑上下文信息。在这项研究中，我们做了一个关键的观察，本地cont-text代表的相似性之间的实例和它的类间neighbors 1起着重要的作用FR。具体地说，我们尝试将特征空间中的局部信息纳入度量中，并提出了一个统一的框架，称为类间差异对齐（IDA），包括两个专用模块，差异对齐算子（IDA-DAO）和支持集估计（IDA-SSE）。IDA-DAO算法利用超球面上的自适应支持集定义图像与相邻图像之间的差异，对相似度进行匹配。对于实际推理，在线推理过程中很难获得支持集。IDA-SSE通过引入由GAN生成的虚拟候选图像，可以提供令人信服的类间邻居。此外，我们提出了可学习IDA-SSE，它可以隐式地给出估计，而不需要任何其他图像在评估过程中。建议IDA可以无缝地和有效地纳入现有的FR系统。大量的实验表明，该框架可以1）显着提高准确性，2）使模型对各种分布的人脸图像具有鲁棒性。没有花里胡哨的，我们的方法在多个标准FR基准上达到了最先进的性能。
2021-03-02 cs.CV
A Parallel Approach for Real-Time Face Recognition from a Large Database
Just Another Media Laboratory (JAM Lab)（另一个媒体实验室（JAM Lab））
我们提出了一个新的面部识别系统，能够识别一个人，提供他们的肖像已经预先存储在系统中，在实时的。该系统基于存储和比较对象的面部嵌入，并稍后在实时视频馈送中识别它们。该系统是高度准确的，并且能够实时的标记人与他们的ID。即使使用包含数千个面部嵌入的数据库，它也能够通过使用并行搜索技术来实现。这使得系统非常快，并允许其高度可扩展。
2020-11-01 cs.AI cs.CV cs.DC
HoloFace: Augmenting Human-to-Human Interactions on HoloLens
Warsaw University of Technology（华沙理工大学）
我们提出了HoloFace，这是一个用于Microsoft HoloLens的面部对齐，头部姿态估计和面部属性检索的开源框架。HoloFace实现了两种最先进的面部对齐方法，可以互换使用：一种在本地运行，另一种在远程后端运行。头部姿态估计是通过将可变形的3D模型拟合到使用面部对准定位的地标来完成的。头部姿势提供头部的旋转和在世界空间中的位置。拟合的3D面部模型的参数提供面部属性的估计，例如张嘴或微笑。上述信息可以一起用于增强HoloLens用户看到的人的面部，从而增强他们的交互。潜在的使用场景包括面部识别、情感识别、眼睛注视跟踪等。我们通过用各种对象和动画增强通过HoloLens看到的人的面孔来展示我们框架的功能。
2018-02-01 cs.CV
Sparse Illumination Learning and Transfer for Single-Sample Face Recognition with Image Corruption and Misalignment
University of Science and Technology of China（中国科学技术大学）；Advanced Digital Sciences Center（先进数字科学中心）；University of California, Berkeley（加州大学伯克利分校）；ShanghaiTech University（上海科技大学）
单样本人脸识别是人脸识别中最具挑战性的问题之一。我们提出了一种新的算法来解决这个问题的基础上稀疏表示为基础的分类（SRC）框架。新算法对图像错位和像素损坏具有鲁棒性，并且能够将所需的图库图像减少到每类一个样本。为了补偿传统上由多幅图库图像提供的缺失的照明信息，引入了稀疏照明学习和传递（SILT）技术。SILT中的照明是通过用稀疏使用的照明字典拟合来自一个或多个附加主体的辅助面部图像的照明示例来学习的。通过在照明字典中强制执行查询图像的稀疏表示，SILT可以有效地恢复并将照明和姿态信息从对准阶段转移到识别阶段。我们广泛的实验表明，新的算法显着优于最先进的单样本制度和较少的限制。特别地，单样本面部对准精度与每个类使用多个图库图像的众所周知的可变形SRC算法的精度相当。此外，人脸识别的准确性超过了SRC和扩展SRC算法使用手标记对齐初始化。
2014-02-08 cs.CV
TopoFR: A Closer Look at Topology Alignment on Face Recognition
Zhejiang University（浙江大学）；FaceChain Community（FaceChain社区）；King’s College London（伦敦国王学院）；Imperial College London（伦敦帝国学院）；Alibaba Group（阿里巴巴集团）
针对人脸识别中直接对齐输入与潜在空间结构导致的过拟合和结构坍塌问题，提出TopoFR模型，采用基于持续同调的PTSA策略和基于结构损伤分数的SDE难样本挖掘策略，在主流基准上超越现有方法。
2025-10-24 cs.CV cs.LG
Discovering Intersectional Bias via Directional Alignment in Face Recognition Embeddings
Center for Humans & Machines（人类与机器中心）；Max Planck Institute for Human Development（人类发展马克斯·普朗克研究所）
本文提出LatentAlign算法，通过方向对齐发现面部识别嵌入中的语义连贯子群体，揭示隐藏的交叉偏见。
2026-03-20 cs.CV cs.LG
Searching for Optimal Subword Tokenization in Cross-domain NER
Fudan University（复旦大学）；Meituan Inc.（美团公司）
输入分布偏移是无监督领域自适应（UDA）中的关键问题之一。最流行的UDA方法集中在领域不变的表示学习，试图将来自不同领域的特征对齐到相似的特征分布中。然而，这些方法忽略了域之间的输入词分布的直接对齐，这是词级分类任务（如跨域NER）中的一个重要因素。在这项工作中，我们揭示了新的光跨域NER通过引入一个子字级的解决方案，X片，输入字级分布偏移在NER。具体来说，我们重新标记的源域的输入字接近目标子字分布，这是制定和解决的最佳运输问题。由于这种方法侧重于输入级，它也可以与以前的DIRL方法相结合，以进一步改进。在四个基准NER数据集上的实验结果表明了该方法的有效性。此外，所提出的方法被证明是有益的DIRL方法，如DANN。
2022-06-07 cs.AI cs.CL
Thermal to Visible Face Recognition Using Deep Autoencoders
Department of Computer Engineering Istanbul Technical University（伊斯坦布尔技术大学计算机工程系）
可见人脸识别系统使用深度学习实现了近乎完美的识别精度。然而，在缺乏光的情况下，这些系统表现不佳。处理这个问题的一种方法是热可见的跨域人脸匹配。这是一种期望的技术，因为它在夜间监视中是有用的。然而，由于两个领域之间的差异，这是一个非常具有挑战性的人脸识别问题。在本文中，我们提出了一个基于深度自动编码器的系统来学习可见光和热人脸图像之间的映射。此外，我们评估热对齐可见人脸识别的影响。为此，我们手动注释卡尔和EURECOM数据集上的面部标志。该方法在三个公开的数据集上进行了广泛的测试：Carl，UND-X1和EURECOM。实验结果表明，该方法提高了国家的最先进的显着。我们观察到对齐将性能提高了约2%。本研究中的注释面部标志位置可从以下链接下载：github.com/Alpkant/Thermal-to-Visible-Face-Recognition-Using-Deep-Autoencoders。
2020-02-10 cs.CV cs.LG eess.IV
Survey on Sparse Coded Features for Content Based Face Image Retrieval
SNS College of Technology（SNS理工学院）
基于内容的图像检索是一种利用图像的视觉内容，根据用户的兴趣从大规模图像数据库中检索图像的技术。本文对基于内容的人脸图像检索技术进行了综述。如今，数码设备和照片分享网站越来越普及，大的人脸照片在数据库中可用。在大规模人脸图像数据库中，使用多种类型的人脸特征来表示区分度。人脸图像的搜索和挖掘是一个具有挑战性的问题和重要的研究课题。特征的稀疏表示在索引相关图像以查询图像方面提供了显著的改进。
2014-02-20 cs.CV cs.IR cs.LG
Searching for the Fakes: Efficient Neural Architecture Search for General Face Forgery Detection
Nankai University（南开大学）
针对人脸伪造检测手动设计网络耗时费力的问题，提出基于NAS的端到端框架，通过伪造导向搜索空间、新型评估指标、跨数据集搜索和级联金字塔连接，实现了兼具竞争力与泛化性的自动检测架构设计。
2023-06-16 cs.CV
3D Dense Face Alignment via Graph Convolution Networks
Megvii Technology（旷视科技）；Tongji University（同济大学）
最近，三维人脸重建和人脸对齐任务逐渐合并为一个任务：三维密集人脸对齐。其目标是利用人脸的姿态信息重建人脸的三维几何结构。在本文中，我们提出了一个图卷积网络回归三维人脸坐标。我们的方法直接在3D人脸网格上进行特征学习，其中几何结构和细节得到了很好的保留。大量的实验表明，我们的方法在几个具有挑战性的数据集上获得了优于最先进方法的性能。
2019-04-11 cs.CV
A survey and classification of face alignment methods based on face models
National Cheng Kung University（国立成功大学）；Fraunhofer IAIS（弗劳恩霍夫智能分析与信息系统研究所）；Pontificia Universidad Católica de Valparaíso（智利天主教大学瓦尔帕莱索校区）
该研究针对人脸对齐领域缺乏人脸模型相关综述的问题，面向三类读者全面分析不同人脸模型的解读、训练与拟合方法，明确3D模型和深度学习方法的适用场景，并展望未来方向。
2023-11-06 cs.CV
Deep Face Feature for Face Alignment
University of Science and Technology of China（中国科学技术大学）；Cardiff University（卡迪夫大学）
在本文中，我们提出了一种基于深度学习的图像特征提取方法，专门针对人脸图像设计。为了训练特征提取模型，我们构建了一个大规模的照片级真实感人脸图像数据集，该数据集具有多视角人脸图像之间的真实对应关系，这些图像是通过逆绘制过程从真实照片合成的。使用从不同视图渲染的面部图像之间的对应关系来训练深度面部特征（DFF）。使用经过训练的DFF模型，我们可以为人脸图像的每个像素提取一个特征向量，该特征向量可以区分不同的面部区域，并且在匹配和对齐等面部相关任务中比通用特征描述符更有效。基于DFF，我们开发了一种鲁棒的人脸对齐方法，该方法迭代更新地标，姿态和3D形状。大量的实验表明，我们的方法可以实现国家的最先进的结果，在高度无约束的人脸图像的人脸对齐。
2018-03-12 cs.CV
Deep Alignment Network: A convolutional neural network for robust face alignment
Warsaw University of Technology（华沙理工大学）
在本文中，我们提出了深度对齐网络（DAN），这是一种基于深度神经网络架构的鲁棒人脸对齐方法。DAN由多个阶段组成，其中每个阶段改进由前一阶段估计的面部标志的位置。我们的方法在所有阶段使用整个面部图像，与最近提出的依赖于局部补丁的面部对齐方法相反。这是可能的，这要归功于地标热图的使用，该热图提供了关于在算法的先前阶段估计的地标位置的视觉信息。使用整个面部图像而不是补丁允许DAN处理头部姿势变化大且初始化困难的面部图像。对两个公开数据集的广泛评估表明，DAN将最先进的故障率降低了70%。我们的方法也已提交评估的一部分，门波挑战。
2017-08-10 cs.CV
Face Alignment In-the-Wild: A Survey
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Collaborative Innovation Center of Novel Software Technology and Industrialization（新型软件技术及产业化协同创新中心）
在过去的二十年里，人脸对齐或基准点定位由于其在自动人脸分析中的广泛应用而受到越来越多的关注。然而，这样的任务已被证明是非常具有挑战性的，在不受约束的环境中，由于许多混杂因素，如姿势，遮挡，表情和照明。虽然已经开发了许多技术来解决这些挑战，但这个问题仍然远远没有得到解决。在这项调查中，我们提出了一个最新的批判性审查现有的文献中的人脸对齐，重点是那些方法解决整体困难和挑战，这一主题在不受控制的条件下。具体来说，我们对现有的人脸对齐技术进行了分类，详细描述了每个类别中的主要算法，并讨论了它们的优点和缺点。此外，我们组织了专门的讨论，在野外的人脸对齐的实际方面，对一个强大的人脸对齐系统的发展。此外，我们展示了最先进的性能统计数据，并总结了本文未来研究的几个有前途的方向。
2016-08-15 cs.CV
An Efficient Multitask Neural Network for Face Alignment, Head Pose Estimation and Face Tracking
University of Technology Sydney（悉尼科技大学）
虽然卷积神经网络（CNN）显著提高了人脸相关算法的性能，但在实际使用中同时保持准确性和效率仍然具有挑战性。最先进的方法采用更深的网络以获得更好的性能，这使得它对于移动应用不太实用，因为更多的参数和更高的计算复杂性。因此，我们提出了一个有效的多任务神经网络，对准跟踪和姿态网络（ATPN）的人脸对准，人脸跟踪和头部姿态估计。具体来说，为了用更少的层实现更好的性能，我们在浅层和深层特征之间引入了一个快捷连接。我们发现，浅层特征与人脸边界高度对应，可以提供人脸的结构信息，对人脸对齐至关重要。此外，我们根据人脸对齐结果生成一个廉价的热图，并将其与特征融合，以提高其他两个任务的性能。基于热图，网络可以利用地标的几何信息和外观信息来估计头部姿势。热图还为面部跟踪提供了注意力线索。人脸跟踪任务还为我们节省了每帧的人脸检测过程，这也大大提高了基于视频的任务的实时性。我们在四个基准数据集上实验验证了ATPN，WFLW，300 VW，WIDER Face和300 W-LP。实验结果表明，与其他光照模型相比，该模型具有更少的参数和更低的计算复杂性。
2022-04-29 cs.CV
Face Alignment Assisted by Head Pose Estimation
University of Cambridge（剑桥大学）；Queen Mary University of London（伦敦玛丽女王大学）；Harvard University（哈佛大学）
在本文中，我们提出了一个监督的初始化方案级联人脸对齐的基础上显式头部姿态估计。我们首先研究了大多数最先进的人脸对齐方法的失败案例，并观察到这些失败通常具有一个共同的全局属性，即头部姿态变化通常很大。受此启发，我们提出了一种深度卷积网络模型，用于可靠和准确的头部姿势估计。而不是使用一个平均的脸的形状，或随机选择的形状级联的脸对齐初始化，我们提出了两个方案，用于生成初始化：第一个依赖于预测的平均3D脸的形状（表示由3D面部地标）到2D图像估计的头部姿势;第二个搜索最近的邻居形状从训练集根据头部姿势距离。通过这样做，初始化更接近实际形状，这提高了收敛的可能性，进而提高了面部对齐性能。我们在基准300 W数据集上展示了所提出的方法，并在头部姿态估计和面部对齐方面表现出非常有竞争力的性能。
2015-07-18 cs.CV
Dual Attention MobDenseNet(DAMDNet) for Robust 3D Face Alignment
Jiangnan University（江南大学）；University of Surry（萨里大学）
单目图像的三维人脸配准是伪装人脸识别的关键过程，通过配准进行三维人脸重建可以恢复人脸结构，有助于检测伪装干扰。本文提出了一种双注意力机制和一种高效的端到端三维人脸配准框架，通过依赖可分离卷积建立稳定的网络模型，密集连接卷积和轻量级通道注意力机制。为了增强网络模型提取人脸区域空间特征的能力，采用空间分组特征增强模块提高网络的表示能力。联合应用不同的损失函数来约束3D可变形模型（3DMM）及其3D顶点的3D参数。我们使用多种数据增强方法，生成大的虚拟姿态人脸数据集，以解决数据不平衡的问题。在具有挑战性的AFLW、AFLW 2000 -3D数据集上的实验表明，该算法显著提高了3D人脸对齐的准确性。实验结果表明，DAMDNet在具有挑战性的伪装人脸的3D对齐和重建方面表现出了优异的性能，并且所提出的方法的模型参数和复杂度也显著降低。github.com/LeiJiangJNU/DAMDNet
2019-08-30 cs.CV
Deep Adaptive Attention for Joint Facial Action Unit Detection and Face Alignment
Shanghai Jiao Tong University（上海交通大学）；Tianjin University（天津大学）；Nanyang Technological University（南洋理工大学）；East China Normal University（华东师范大学）
人脸动作单元（AU）检测和人脸对齐是两个高度相关的任务，因为面部界标可以提供精确的AU位置，以便于提取有意义的局部特征用于AU检测。现有的AU检测方法通常将人脸对齐作为一个预处理过程，独立处理这两个任务。在本文中，我们提出了一个新的端到端的联合AU检测和人脸对齐的深度学习框架，这是以前没有探索过的。特别地，首先学习多尺度共享特征，并将人脸对齐的高级特征输入AU检测。此外，为了提取精确的局部特征，我们提出了一个自适应注意力学习模块，以自适应地细化每个AU的注意力图。最后，组合的局部特征与人脸对齐特征和全局特征相结合进行AU检测。在BP4D和DISFA基准测试上的实验表明，我们的框架显着优于最先进的AU检测方法。
2018-07-24 cs.CV
Dense Face Alignment
Michigan State University（密歇根州立大学）；Monta Vista High School（蒙塔维斯塔高中）
人脸配准是计算机视觉领域的经典问题。以前的工作主要集中在稀疏对齐与有限数量的面部标志点，即，面部标志点检测在本文中，第一次，我们的目标是提供一个非常密集的3D对齐大姿态的人脸图像。为了实现这一点，我们训练了一个CNN来估计3D人脸形状，它不仅对齐有限的面部标志，而且还适合面部轮廓和SIFT特征点。此外，我们还解决了使用多个数据集训练CNN的瓶颈，因为不同数据集上的地标标记不同，例如5，34，68。实验结果表明，我们的方法不仅提供了高质量，密集的3D人脸拟合，但也优于国家的最先进的面部标志检测方法的挑战性数据集。我们的模型可以在测试过程中实时的运行。
2017-09-05 cs.CV
Robust 3D Face Alignment with Multi-Path Neural Architecture Search
Institute of Deep Learning (IDL)（深度学习研究所（IDL））；Southeast University（东南大学）；Computer Vision Technology Institution（计算机视觉技术研究所）；Baidu（百度）；Baidu Research（百度研究院）
针对三维人脸对齐中网络依赖人工设计且跨姿态结果不稳定的问题，提出MONAS多路径单样本NAS框架，利用多尺度与上下文信息并结合无偏采样训练及模拟退火搜索，在三个基准上提升稀疏与稠密对齐性能。
2024-06-12 cs.CV
Improving Depression estimation from facial videos with face alignment, training optimization and scheduling
University of Oulu（奥卢大学）；VTT Technical Research Centre of Finland（芬兰VTT技术研究中心）
深度学习模型在使用基于视频的面部表情识别抑郁状态方面显示出了很好的效果。虽然成功的模型通常利用3D-CNN或视频蒸馏技术，但在实验中使用预训练，数据增强，预处理和优化技术的不同使用使得很难进行公平的架构比较。相反，我们建议通过使用两种特定的人脸对齐方法和改进的数据增强、优化和调度技术来增强基于ResNet-50的两个简单模型，这些模型仅使用静态空间信息。我们在基准数据集上的广泛实验获得了与单流的复杂时空模型相似的结果，而两个不同流的分数级融合优于最先进的方法。我们的研究结果表明，预处理和训练过程中的特定修改会导致模型性能的显著差异，并可能隐藏最初归因于使用不同神经网络架构的实际差异。
2022-12-13 cs.AI cs.CV
Transferring Landmark Annotations for Cross-Dataset Face Alignment
The Chinese University of Hong Kong（香港中文大学）；Tsinghua University（清华大学）
数据集偏差是目标识别领域的一个常见问题。然而，这个问题在人脸对齐研究中很少被探讨。在这项研究中，我们表明，数据集的人脸对齐性能的一个组成部分。具体来说，由于人脸对齐数据集偏差，在一个数据库上训练并在另一个或看不见的域上测试将导致性能低下。然而，通过组合各种现有数据库创建无偏数据集并非易事，因为必须彻底重新标记地标以进行标准化。在这项工作中，我们提出了一种简单而有效的方法来桥接数据库之间的不同注释空间，使数据集融合成为可能。我们展示了结合各种流行数据库（LFW，AFLW，LFPW，HELEN）以改进跨数据集和看不见的数据对齐的广泛结果。
2014-09-02 cs.CV
SADRNet: Self-Aligned Dual Face Regression Networks for Robust 3D Dense Face Alignment and Reconstruction
Nanjing University（南京大学）；Sun Yat-sen University（中山大学）；Samsung Electronics (China) R&D Centre（三星电子（中国）研发中心）
由于遮挡和大姿态的人脸图像往往会丢失部分人脸信息，因此在野外进行三维人脸密集对齐和重建是一个具有挑战性的问题。大的头部姿势变化也增加了解决方案空间，使建模更加困难。我们的主要思想是建模遮挡和姿势，将这个具有挑战性的任务分解为几个相对更易于管理的子任务。为此，我们提出了一个端到端的框架，称为自对准双脸回归网络（SADRNet），它预测一个姿态相关的脸，一个姿态独立的脸。它们通过遮挡感知的自对准来组合以生成最终的3D面部。两个流行的基准测试，AFLW 2000 -3D和佛罗伦萨，广泛的实验表明，该方法实现了显着优于现有的国家的最先进的方法的性能。
2021-06-06 cs.CV
Face Alignment by Local Deep Descriptor Regression
University of Maryland（马里兰大学）；Rutgers University（罗格斯大学）
我们提出了一种使用深度卷积神经网络（CNN）提取关键点描述符的算法。与许多现有的深度CNN不同，我们的模型计算图像中给定点周围的局部特征。我们还提出了一个基于回归的人脸对齐算法，使用这些局部描述符。所提出的方法称为局部深度描述符回归（LDDR）能够定位不同大小，姿态和遮挡的面部标志，具有高精度。本文提出的深度描述符能够唯一有效地描述图像中的每个像素，因此有可能取代传统的描述符，如SIFT和HOG。对五个公开的无约束人脸对齐数据集的广泛评估表明，我们的深度描述符网络能够捕获给定地标周围的强大局部特征，并且比许多竞争对手和最先进的人脸对齐算法表现得更好。
2016-01-29 cs.CV
PAEFF: Precise Alignment and Enhanced Gated Feature Fusion for Face-Voice Association
University of TrentoItaly（特伦托大学）；Mohamed bin Zayed University of Artificial IntelligenceU.A.E.（穆罕默德·本·扎耶德人工智能大学）；Johannes Kepler UniversityAustria（约翰·凯撒大学）；IMT LuccaItaly（利卡大学）；Linz Institute of Technology, AI LabAustria（林茨技术研究所）
针对人脸与语音关联中负样本挖掘复杂及依赖距离间隔参数的问题，提出PAEFF方法，通过精确对齐嵌入空间并结合增强门控融合技术，有效提升了人脸-语音关联性能。
2025-05-28 cs.AI cs.CV
3D Face Alignment Through Fusion of Head Pose Information and Features
Soongsil University（崇实大学）
本研究提出一种融合头部姿态信息与人脸对齐网络特征图的3D人脸对齐新方法，结合双维度多维度特征网络与知识蒸馏训练策略，在多个基准数据集上取得了与当前最优方法相当的性能。
2023-08-25 cs.CV
Pose-Invariant 3D Face Alignment
Michigan State University（密歇根州立大学）
面部对齐的目的是估计给定图像的一组地标的位置。这个问题已经得到了很大的关注，证明了最近的进步，在方法和性能。然而，大多数现有的工作既没有明确地处理人脸图像与任意姿态，也没有进行大规模的实验上的非正面和侧面的人脸图像。为了解决这些局限性，本文提出了一种新的人脸对齐算法，估计二维和三维地标和他们的2D vibrium的人脸图像与任意姿态。通过整合一个三维可变形模型，级联耦合回归方法被设计来估计摄像机投影矩阵和三维地标。此外，3D模型还允许我们通过表面法线自动估计2D地标vibration。我们收集了大量的全姿态人脸图像来评估我们的算法，并展示了比最先进的方法更优越的性能。
2015-06-11 cs.CV
Improved Face Detection and Alignment using Cascade Deep Convolutional Network
China Mobile Research Institute（中国移动研究院）
真实世界的人脸检测和对齐需要一个先进的判别模型来解决姿态，光照和表情的挑战。在深度学习算法的启发下，提出了一些基于卷积神经网络的人脸检测和对齐方法。最近的研究利用了人脸检测和对齐之间的关系来提高模型的计算效率，但是他们忽略了每个级联CNN之间的联系。在本文中，我们提出了一种结构，提出了更高质量的训练数据的端到端的级联网络训练，这给计算机更多的空间来自动调整权值参数和加速收敛。实验表明，现有的检测和对齐模型有相当大的改进。
2017-07-28 cs.CV cs.LG
An Empirical Study of Recent Face Alignment Methods
University of Cambridge（剑桥大学）；University of Hong Kong（香港大学）；Chinese University of Hong Kong（香港中文大学）
人脸对齐问题在过去的几年中得到了广泛的研究。已经提出了大量的新方法，并且在基准数据集（如300 W）上报告了非常好的性能。然而，在实验设置和评价指标的差异，在描述的方法，缺失的细节，很难重现报告的结果和评价的相对优点。例如，最新的人脸对齐方法是建立在人脸检测之上，但来自不同的人脸检测器。在本文中，我们进行了严格的评估，这些方法作出了以下贡献：1）我们提出了一个新的评价指标的人脸对齐的一组图像，即，阈值内的误差分布曲线下的面积AUC $_α$，这是因为传统的评估测量（平均误差）对大的对准误差非常敏感。2)我们扩展了300W数据库，增加了更实用的人脸检测，使公平的比较成为可能。3)我们进行面部对准灵敏度分析w.r.t.使用现成的和重新训练的模型，在合成和真实数据上进行人脸检测。4)我们研究对实现良好性能特别重要的因素，并为实际应用提供建议。从我们的比较分析中得出的大多数结论不能从原始出版物中推断出来。
2015-11-16 cs.CV
DeCaFA: Deep Convolutional Cascade for Face Alignment In The Wild
Sorbonne Université（索邦大学）；Datakalab；ISIR, Sorbonne Université（索邦大学智能与机器人系统研究所）
人脸对齐是一个活跃的计算机视觉领域，它包括定位许多在数据集上变化的人脸标志。最先进的面部对齐方法包括端到端回归，或者从初始猜测开始以级联方式细化形状。在本文中，我们介绍了DeCaFA，这是一种用于人脸对齐的端到端深度卷积级联架构。DeCaFA使用全卷积级来保持整个级联的完整空间分辨率。在每个级联阶段之间，DeCaFA使用具有空间softmax的多个链式传输层来为多个地标对齐任务中的每一个生成地标式注意力图。加权中间监督以及阶段之间的有效特征融合允许学习以端到端的方式逐步细化注意力地图。我们的实验表明，DeCaFA显着优于现有的方法在300W，CelebA和WFLW数据库。此外，我们还证明了DeCaFA可以使用粗略注释的数据从非常少的图像中以合理的精度学习精细对齐。
2019-04-04 cs.CV
3D Dense Face Alignment with Fused Features by Aggregating CNNs and GCNs
University of Liverpool（利物浦大学）；Ningbo Institute of Materials Technology and Engineering, Chinese Academy of Sciences（中国科学院宁波材料技术与工程研究所）；China Science IntelliCloud Technology Co., Ltd.（中国科学智能云科技有限公司）；Remark AI UK Limited（Remark AI英国有限公司）
在本文中，我们提出了一种新的多级聚合网络，以端到端的方式从单个2D图像中回归3D人脸的顶点坐标。这是通过将标准卷积神经网络（CNN）与图卷积网络（GCN）无缝结合来实现的。通过迭代和分层融合CNN和GCN的不同层和阶段的特征，我们的方法可以同时提供密集的人脸对齐和3D人脸重建，以利于3D人脸网格的直接特征学习。在几个具有挑战性的数据集上的实验表明，我们的方法在2D和3D人脸对齐任务上的性能优于最先进的方法。
2022-03-09 cs.CV
Face Alignment Across Large Poses: A 3D Solution
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Michigan State University（密歇根州立大学）
人脸对齐是将人脸模型与图像进行匹配，并提取人脸像素的语义信息的一个重要研究课题。然而，大多数算法都是针对小到中等姿态（低于45度）的人脸设计的，缺乏对齐高达90度的大姿态人脸的能力。挑战有三个方面：首先，通常使用的基于地标的人脸模型假设所有地标都是可见的，因此不适合轮廓视图。其次，面部外观在大的姿势中变化更大，从正面视图到侧面视图。第三，标记大姿势中的地标是非常具有挑战性的，因为不可见的地标必须被猜测。在本文中，我们提出了一个新的对齐框架，称为3D密集人脸对齐（3DDFA），其中一个密集的3D人脸模型拟合图像通过卷积神经网络（CNN）中的三个问题的解决方案。我们还提出了一种方法来合成大规模的训练样本的轮廓视图，以解决第三个问题的数据标记。在具有挑战性的AFLW数据库上的实验表明，我们的方法比最先进的方法有了显着的改进。
2015-11-23 cs.CV
Robust Face Alignment Using a Mixture of Invariant Experts
Mitsubishi Electric Research Labs (MERL)（三菱电机研究实验室（MERL））；Intel Corporation（英特尔公司）
人脸对齐是在人脸图像中找到一组人脸标志点的位置的任务，在广泛的应用领域中是有用的。当姿态（平面内和平面外旋转）和面部表情存在较大变化时，面部对齐尤其具有挑战性。为了解决这个问题，我们提出了一个级联，其中每个阶段由回归专家的混合物。每个专家学习一个定制的回归模型，该模型专用于姿势和表情的联合空间的不同子集。该系统对于预定义的变换类是不变的（例如，仿射），因为在应用回归之前，输入被变换以匹配每个专家的原型形状。我们还提出了一种方法，包括变形的歧视性对齐框架内的约束，这使得我们的算法更强大。我们的算法显着优于以前的方法公开可用的人脸对齐数据集。
2016-10-23 cs.CV
Searching Central Difference Convolutional Networks for Face Anti-Spoofing
CMVS, University of Oulu（奥卢大学CMVS）；Mininglamp Academy of Sciences, Mininglamp Technology（明略科学院（明略科技））；Aibee；Northwestern Polytechnical University（西北工业大学）
人脸反欺骗（FAS）在人脸识别系统中起着至关重要的作用。大多数最先进的FAS方法1）依赖于堆叠卷积和专家设计的网络，这在描述详细的细粒度信息方面很弱，并且当环境变化时（例如，不同的光照），以及2）喜欢使用长序列作为输入来提取动态特征，使得它们难以部署到需要快速响应的场景中。在这里，我们提出了一种新的帧级FAS方法的基础上，中央差分卷积（CDC），它能够通过聚集的强度和梯度信息捕获内在的详细模式。使用CDC构建的网络称为中央差分卷积网络（CDCN），能够提供比使用普通卷积构建的网络更强大的建模能力。此外，在一个专门设计的CDC搜索空间，神经结构搜索（NAS）被用来发现一个更强大的网络结构（CDCN++），它可以与多尺度注意力融合模块（MAFM）组装，以进一步提高性能。在6个基准数据集上进行的综合实验表明：1）该方法不仅在数据集内测试上取得了优异的性能（特别是OULU-NPU数据集的Protocol-1中的0.2%ACER），2）它也具有很好的跨数据集测试（特别是从CASIA-MFSD到Replay-Attack数据集的6.5%HTER）。代码可在\href{https://github.com/ZitongYu/CDCN}{https://github.com/ZitongYu/CDCN}上获取。
2020-03-09 cs.CV
Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
由于各种姿态、光照和遮挡的存在，无约束环境中的人脸检测和对齐具有挑战性。最近的研究表明，深度学习方法可以在这两项任务上取得令人印象深刻的性能。在本文中，我们提出了一个深度级联的多任务框架，利用它们之间的内在相关性，以提高它们的性能。特别是，我们的框架采用了一种级联结构，具有三个精心设计的深度卷积网络阶段，以粗到细的方式预测人脸和地标位置。此外，在学习过程中，我们提出了一种新的在线硬样本挖掘策略，可以自动提高性能，而无需手动样本选择。我们的方法在具有挑战性的FDDB和WIDER FACE人脸检测基准和AFLW人脸对齐基准上实现了优于最先进技术的准确性，同时保持实时的性能。
2016-04-11 cs.CV
ACR Loss: Adaptive Coordinate-based Regression Loss for Face Alignment
University of Denver（丹佛大学）
尽管深度神经网络在解决面部对齐问题上已经达到了合理的精度，但这仍然是一项具有挑战性的任务，特别是当我们处理面部图像、遮挡或极端头部姿势时。基于热图的回归（Heatmap-based Regression，HBR）和基于坐标的回归（Coordinate-based Regression，CBR）是人脸对齐的两种主要方法。CBR方法需要较少的计算机内存，但其性能低于HBR方法。在本文中，我们提出了一个自适应的基于坐标的回归（ACR）损失，以提高人脸对齐的CBR的准确性。受主动形状模型（ASM）的启发，我们生成平滑面部对象，这是一组与地面真实地标点相比变化较少的面部地标点。然后，我们介绍了一种方法，通过比较地面实况标志点和相应的Smooth-Face对象的分布来估计预测网络每个标志点的难度。我们提出的ACR损失可以自适应地修改其曲率和损失的影响的基础上预测的每个特征点在一个脸上的难度水平。因此，ACR损失引导网络朝向挑战点而不是更容易的点，这提高了面部对准任务的准确性。我们的广泛的评估表明，建议的ACR损失在预测各种面部图像中的面部标志点的能力。
2022-09-14 cs.CV
Deep Regression for Face Alignment
Microsoft Research（微软研究院）
在本文中，我们提出了一种深度回归方法的人脸对齐。深层体系结构由全局层和多级局部层组成。我们应用反向传播算法与dropout策略，共同优化回归参数。我们发现，由此产生的深回归逐步和均匀的方法，真正的面部标志逐步阶段，避免了倾向于产生过强的早期阶段回归，而过于薄弱的后期回归。实验结果表明，该方法达到了最先进的水平
2014-09-18 cs.CV
