登録による監督：顔ランドマーク検出器の精度を向上させる非教師ありアプローチ

本論文では、画像とビデオの両方で顔のランドマーク検出器の精度を向上させるための無教師学習手法である「レジストレーションによる監督」（supervision-by-registration）を提案します。我々の主要な観察点は、隣接するフレームにおける同一ランドマークの検出結果が光学流れ（optical flow）と整合性を持つべきであるということです。興味深いことに、光学流れの整合性は手動ラベリングを必要としない監督源であり、検出器の学習中に活用することができます。例えば、フレーム${t-1}$での検出されたランドマークが、フレーム${t-1}$からフレーム$_t$への光学流れ追跡によって得られた位置と、フレーム$_t$での検出位置が一致することを訓練損失関数に強制することができます。実質的に、「レジストレーションによる監督」はレジストレーション損失を訓練損失関数に追加することで、検出器がラベリング済み画像のアノテーションだけでなく、大量のラベリングされていないビデオでも時間的な一貫性を持つように訓練します。レジストレーション損失を使用したエンドツーエンドの訓練は、逆伝播により時間的一貫性を促進する勾配をバックプロパゲートする微分可能なLucas-Kanade演算によって可能になります。この演算は順方向パスで光学流れによるレジストレーションを計算し、逆方向パスで時間的一貫性を高める勾配を逆伝播します。本手法の出力はより精密な画像ベースの顔ランドマーク検出器であり、単一画像やビデオに適用できます。「レジストレーションによる監督」により、(1) 画像（300W, ALFW）およびビデオ（300VW, Youtube-Celebrities）での顔ランドマーク検出精度の向上と (2) ビデオ検出時の揺れ（jittering）の大幅な低減を示しています。