摘要
尽管深度神经网络在解决面部对齐问题上已经取得了合理的准确性，但当处理遮挡或极端头部姿态下的面部图像时，这仍然是一个具有挑战性的任务。热图回归（Heatmap-based Regression, HBR）和坐标回归（Coordinate-based Regression, CBR）是目前用于面部对齐的两种主要方法。虽然CBR方法所需的计算机内存较少，但其性能通常低于HBR方法。在本文中，我们提出了一种自适应坐标回归（Adaptive Coordinate-based Regression, ACR）损失函数，以提高CBR在面部对齐中的准确性。受主动形状模型（Active Shape Model, ASM）的启发，我们生成了Smooth-Face对象，即一组相对于真实地标点变化较小的面部地标点。然后，我们介绍了一种方法，通过比较真实地标点分布与相应的Smooth-Face对象来估计网络预测每个地标点的难度水平。所提出的ACR损失函数可以根据预测每个面部地标点的难度级别自适应地调整其曲率和损失的影响程度。因此，ACR损失函数引导网络更多关注于较难预测的地标点而非容易预测的地标点，从而提高了面部对齐任务的准确性。我们的广泛评估表明，所提出的ACR损失函数在各种面部图像中预测面部地标点的能力显著提升。