摘要
准确的人脸关键点是许多与人脸相关任务的重要前提。本文提出了一种基于级联变压器（transformers）的高精度人脸关键点检测器。我们将人脸关键点检测任务公式化为坐标回归任务，从而使模型可以进行端到端训练。通过变压器中的自注意力机制（self-attention），我们的模型能够内在地利用关键点之间的结构关系，这在大姿态变化和遮挡等挑战条件下有助于提高关键点检测的准确性。在级联精炼过程中，我们的模型能够基于可变形注意力机制（deformable attention mechanism）提取目标关键点周围的最相关图像特征，从而实现更精确的对齐。此外，我们提出了一种新颖的解码器，能够在同时精炼图像特征和关键点位置的情况下进一步提升检测性能，而参数增加较少。我们的模型在多个标准的人脸关键点检测基准上达到了新的最先进水平，并在跨数据集评估中表现出良好的泛化能力。