img2pose: 6DoFを用いた顔のアライメントと検出、顔姿勢推定

顔検出やランドマークの位置特定を必要とせずに、リアルタイムで6自由度（6DoF）、3次元の顔姿勢推定を提案します。我々は、顔の6DoF剛体変換を推定することは、3次元顔アライメントにしばしば使用される顔ランドマーク検出よりも単純な問題であると観察しました。さらに、6DoFは顔のバウンディングボックスラベルよりも多くの情報を提供します。これらの観察に基づいて、我々は以下の複数の貢献を行います：(a) 入力画像内のすべての顔に対して事前の顔検出なしで6DoF姿勢を回帰する、簡単に学習でき効率的なFaster R-CNNベースのモデルについて説明します。(b) 姿勢が入力画像と訓練・評価時に作成される任意のクロップ間でどのように変換され一貫性が保たれるかを解説します。(c) 最後に、顔姿勢が検出バウンディングボックスの訓練ラベルに代わることを示します。AFLW2000-3DおよびBIWIでのテスト結果は、当手法がリアルタイムで動作し、最先端（SotA）の顔姿勢推定器を上回ることを示しています。特に注目に値するのは、バウンディングボックスラベルに対する最適化が行われていないにもかかわらず、WIDER FACE検出ベンチマークにおいて当手法が同等の複雑さを持つSotAモデルを超えたことです。