PropagationNet: 점을 곡선으로 전파하여 구조 정보 학습하기

딥러닝 기법은 얼굴 정렬 알고리즘의 성능을 획기적으로 향상시켰다. 그러나 얼굴의 크기 변화, 다양한 자세, 과도한 표정 표현, 불균일한 조명 등과 같은 제약 없는 환경에서의 큰 변동성과 표본 부족 문제로 인해 여전히 해결되지 않은 과제가 남아 있다. 본 논문에서는 이러한 문제를 해결하기 위해 제안한 두 가지 핵심 기법—Propagation Module 및 Focal Wing Loss—의 본질적 동기와 논리적 근거를 탐구한다. 구체적으로, 랜드마크 히트맵을 경계 히트맵으로 전파함으로써 구조 정보를 제공하고, 이를 바탕으로 보다 정교한 주의 맵(attention map)을 생성하는 새로운 구조-인퓨즈드 얼굴 정렬 알고리즘을 제안한다. 또한, 자연 환경에서의 어려운 샘플을 효과적으로 탐지하고 강조하기 위해 Focal Wing Loss를 도입한다. 더불어, CNN의 이동 불변성(translation variance) 문제를 해결하기 위해 타 분야에서 개발된 기법인 CoordConv와 Anti-aliased CNN을 활용한다. 다양한 벤치마크—WFLW, 300W, COFW—에서 실시한 광범위한 실험 결과, 제안한 방법은 기존 최고 성능 기법들에 비해 상당한 성능 향상을 보였다. 특히 WFLW에서 평균 오차 4.05%, 300W 전체 세트에서 2.93%, COFW에서 3.71%의 평균 오차를 달성하며, 기존 기법들을 압도하는 성능을 입증하였다.