摘要
近年来，面部关键点检测的许多进展主要依赖于模型参数的堆叠或标注数据的扩充。然而，仍存在三个后续挑战：其一，计算开销显著增加；其二，模型参数增多导致过拟合风险上升；其三，人工标注过程耗时耗力，负担沉重。我们认为，通过系统性地挖掘检测器的薄弱环节并加以改进，是实现鲁棒性面部关键点检测的一种有前景的路径。为此，本文提出一种样本自适应对抗训练（Sample-Adaptive Adversarial Training, SAAT）方法，通过交互式优化攻击者与检测器，提升检测器在应对样本自适应黑盒攻击下的鲁棒性。该方法利用对抗攻击机制，引入超越人工设计变换的对抗扰动，以增强检测器的性能。具体而言，攻击者生成对抗扰动以暴露检测器的缺陷，而检测器则需通过学习提升对这些扰动的鲁棒性，从而实现有效防御。此外，本文设计了一种样本自适应权重机制，用于平衡在训练过程中引入对抗样本所带来的风险与收益。为评估所提方法，我们构建了一个新的掩码面部对齐数据集——Masked-300W。实验结果表明，SAAT在性能上可与现有最先进方法相媲美。相关代码与模型已公开发布于：https://github.com/zhuccly/SAAT。