摘要
尽管面部美感预测（Facial Beauty Prediction, FBP）在受控环境拍摄的图像上已取得较高的准确率，但在真实场景（in-the-wild）下的面部图像上仍面临重大挑战。此外，目前尚缺乏一个涵盖多种族、多年龄、多性别特征，且在表情和姿态方面无限制的FBP基准数据集。针对真实应用场景中的FBP问题，本文提出并构建了一个多族裔面部美感数据集——MEBeauty。该数据集中的所有面部图像均在非受控环境下采集，并由具有不同族裔、年龄和性别的志愿者进行评分，以尽可能避免美感认知中的文化与社会偏见。本文在该数据集上应用了多种知名的卷积神经网络（CNN），并结合逐层迁移学习策略进行实验。同时，系统评估了从人脸识别任务中迁移知识对FBP性能的影响。考虑到真实场景中存在大量异常和离群面部图像，本文进一步探讨了多种鲁棒性损失函数在构建深度回归网络以实现面部美感预测中的有效性。此外，本文在所提出的MEBeauty数据集以及广泛使用的SCUT-FBP 5500数据集上，对比评估了多种FBP框架在受控与非受控环境下的表现，以验证其有效性与泛化能力。