초록
최근 들어, 열지도 회귀 모델이 얼굴 랜드마크 탐지의 주류 방식으로 자리 잡았다. 계산 비용을 낮추고 메모리 사용량을 줄이기 위해 전체 프로세스는 원본 이미지에서 출력 열지도에 이르기까지 다운샘플링을 포함한다. 그러나 다운샘플링 과정에서 발생하는 양자화 오차가 얼마나 큰 영향을 미칠지에 대한 문제는 이전 연구들 사이에서 체계적으로 탐구되지 않았다. 본 연구는 이러한 공백을 채우며, 양자화 오차가 초래하는 부정적 영향을 정량적으로 분석한 최초의 연구이다. 통계적 분석 결과, 양자화 오차로 인해 발생하는 NME(Normalized Mean Error)가 최신 기술(SOTA)의 1/3을 초과하는 것으로 나타났으며, 이는 얼굴 정렬 분야에서 새로운 돌파구를 이루는 데 심각한 장애물이 되고 있다. 양자화 효과의 영향을 보완하기 위해 우리는 새로운 방법, 즉 '히트맵 인 히트맵(HIH, Heatmap In Heatmap)'을 제안한다. 이 방법은 좌표를 인코딩하기 위해 두 종류의 히트맵을 레이블 표현으로 활용한다. 특히 HIH에서는 한 히트맵의 범위가 다른 종류의 히트맵의 한 픽셀을 나타내도록 구성된다. 또한, 다른 분야의 기법들과의 통합을 통해 비교 실험도 수행하였다. 다양한 벤치마크에서 실시한 광범위한 실험 결과는 HIH의 타당성과 기존 방법들에 비해 뛰어난 성능을 입증하였다. 특히 WFLW 데이터셋에서 평균 오차는 4.18을 기록하며, 기존 최고 성능(SOTA)을 크게 상회하는 결과를 보였다.