利用数据集内与数据集间差异实现鲁棒的人脸对齐

人脸对齐是计算机视觉领域的一个关键研究课题。近几十年来，学术界已开展了大量相关工作，并发布了多种基准数据集。然而，当前主流数据集仍存在两个显著问题：数据集内差异（Intra-Dataset Variation） 与 数据集间差异（Inter-Dataset Variation）。其中，数据集间差异 指的是某一特定数据集中存在的表达、姿态等偏差；而 数据集内差异 则指不同数据集之间所呈现的偏差不一致问题。为应对上述挑战，本文提出了一种新型的深度变差利用网络（Deep Variation Leveraging Network, DVLN），该网络由两个强耦合的子网络构成：跨数据集网络（Dataset-Across Network, DA-Net） 与 候选-决策网络（Candidate-Decision Network, CD-Net）。大量实验评估表明，所提方法在300-W这一具有挑战性的基准数据集上不仅实现了实时性能，且显著优于现有最先进方法。