摘要
面部对齐是一个活跃的计算机视觉领域，其目标是在不同的数据集中定位多个面部特征点。当前最先进的面部对齐方法要么采用端到端回归，要么通过从初始估计开始逐步细化形状。在本文中，我们介绍了一种名为DeCaFA（Deep Convolutional Cascade Architecture for Face Alignment）的端到端深度卷积级联架构用于面部对齐。DeCaFA利用全卷积阶段在整个级联过程中保持完整的空间分辨率。在每个级联阶段之间，DeCaFA使用带有空间softmax的多个串联传输层来为每个特征点对齐任务生成特征点级别的注意力图。加权中间监督以及各阶段之间的高效特征融合使得DeCaFA能够以端到端的方式逐步优化这些注意力图。实验结果表明，DeCaFA在300W、CelebA和WFLW数据库上的表现显著优于现有方法。此外，我们还展示了DeCaFA可以从少量图像中学习精细对齐，并且使用粗略标注的数据也能达到合理的精度。