FacePoseNet：无需地标点的面部对齐研究

我们展示了如何训练一个简单的卷积神经网络（CNN），以直接从图像强度中准确且稳健地回归三维头部姿态的六个自由度（6DoF）。此外，我们解释了如何利用这一面部姿态网络（FacePoseNet，简称FPN）作为显式面部特征点检测的替代方法，用于二维和三维人脸对齐任务。我们认为，在许多情况下，通过标准手段测量特征点检测器的准确性可能会在比较不同的人脸对齐方法时产生误导。因此，我们通过评估这些方法对面部识别准确率的影响来将我们的FPN与现有方法进行对比，具体是在IJB-A和IJB-B基准测试中使用相同的识别管道，但改变人脸对齐方法。我们的结果表明：(a) 在300W基准测试中测得的更高的特征点检测准确性并不一定意味着更好的面部识别准确性。(b) 我们的FPN在这两个基准测试中提供了更优的二维和三维人脸对齐效果。(c) FPN在计算成本上远低于同样准确的特征点检测器，仅需其一小部分计算资源即可完成人脸对齐任务。因此，对于许多应用而言，FPN是一种比使用面部特征点检测器更快且更准确的人脸对齐方法。