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。已有方法在面部解析任务中取得了显著成果，但普遍忽视了面部各组件之间的内在关联。事实上，组件间的相互关系是区分面部区域中模糊像素的关键线索。为解决这一问题，本文提出一种面向面部组件的自适应图表示学习与推理方法，旨在学习能够表征每个面部组件的代表性顶点，充分挖掘组件间的关联性，从而在面对模糊性时生成更精确的解析结果。具体而言，我们设计了一种自适应且可微的图抽象方法，基于初始预测的解析图，通过像素到顶点的投影将特定面部区域内的像素特征聚合至图的顶点上，实现对组件的图结构建模。此外，我们在模型中显式引入图像边缘作为先验信息，有助于在投影过程中区分边缘像素与非边缘像素，从而在边缘附近获得更为精细的解析结果。随后，模型通过图上顶点间的特征传播机制，学习并推理各组件之间的关系。最终，经过优化的顶点特征被反投影回像素网格，用于生成最终的解析图。为训练该模型，我们提出一种判别性损失函数，用于惩罚特征空间中相近顶点之间的距离，促使顶点在语义上具有更强的区分性与表征能力。实验结果表明，所提模型在多个面部解析数据集上均取得了优越性能，同时在人体解析任务上的验证进一步证明了该方法的良好泛化能力。