Réexamen de l'erreur de quantification dans l'alignement facial

Récemment, les modèles de régression de cartes thermiques sont devenus la méthode dominante pour la localisation des points de repère faciaux. Afin de maintenir un coût computationnel raisonnable et de réduire la consommation de mémoire, toute la procédure repose sur un sous-échantillonnage de l’image brute jusqu’à la carte thermique de sortie. Toutefois, quel est l’impact réel de l’erreur de quantification introduite par ce sous-échantillonnage ? Ce problème reste largement insuffisamment étudié dans les travaux antérieurs. Ce travail comble cette lacune, étant le premier à analyser de manière quantitative les effets négatifs de cette erreur. Les résultats statistiques montrent que l’erreur NME (Normalized Mean Error) engendrée par l’erreur de quantification peut dépasser un tiers de l’état de l’art (SOTA), constituant ainsi un obstacle sérieux à tout progrès majeur en alignement facial. Pour compenser cet effet néfaste, nous proposons une nouvelle méthode, nommée Heatmap In Heatmap (HIH), qui exploite deux catégories de cartes thermiques comme représentation des étiquettes afin de coder les coordonnées. Dans HIH, la plage de valeurs d’une carte thermique correspond à un pixel de l’autre catégorie. Par ailleurs, nous intégrons même l’alignement facial à des solutions issues d’autres domaines afin d’établir des comparaisons. Des expériences étendues sur diverses bases de données démontrent la faisabilité de HIH et son excellente performance par rapport aux autres approches. En outre, l’erreur moyenne atteint 4,18 sur WFLW, dépassant significativement l’état de l’art.