摘要
面部解析旨在为面部每一像素分配对应的语义标签，近年来受到广泛关注。现有方法在面部解析任务中表现出较高的效率，但普遍忽略了不同面部区域之间的内在关联。事实上，这种区域间的关联蕴含着关于面部外观、姿态、表情等关键信息，是提升解析精度的重要线索，应在建模过程中予以充分考虑。为此，本文提出通过学习图结构表示来建模并推理区域间的空间关系，并利用区域间的边信息实现更优的特征抽象。具体而言，我们将一张面部图像编码为全局图结构表示，其中具有相似特征的像素集合（即“区域”）被映射至图的各个顶点。在此图结构上，通过顶点间的特征传播机制，模型能够学习并推理不同区域之间的关系。此外，我们引入边信息，用于将像素级特征聚合至顶点，从而强化边缘区域的特征表达，提升沿边界处的细粒度分割能力。最终，所学习到的图表示被解码回像素网格，用于生成精细的面部解析结果。实验结果表明，本方法在广泛使用的Helen数据集上优于现有最先进方法，在大规模数据集CelebAMask-HQ和LaPa上也展现出卓越的性能。代码已开源，地址为：https://github.com/tegusi/EAGRNet。