摘要

深度学习技术显著提升了人脸对齐算法的性能。然而，由于在非约束条件下存在较大的变化性以及样本稀缺问题，诸如大角度头部姿态、夸张表情以及光照不均等复杂情况下的对齐问题仍未得到彻底解决。本文深入探讨了我们两项核心方法——传播模块（Propagation Module）与焦点翼损失（Focal Wing Loss）——背后的原理与动机。具体而言，我们提出了一种新型的、融合结构信息的人脸对齐算法，该算法基于热图回归，通过将关键点热图传播至边界热图，为后续注意力图的生成提供结构先验信息。此外，我们设计了一种焦点翼损失（Focal Wing Loss），用于在野外自然场景下有效挖掘并强化难样本的学习。同时，我们引入了来自其他领域的先进技术，如CoordConv和抗混叠卷积网络（Anti-aliased CNN），以缓解卷积神经网络在人脸对齐任务中固有的平移敏感性问题。在多个公开基准数据集上的大量实验表明，所提方法在WFLW、300W和COFW等数据集上均显著超越现有最先进水平。具体而言，本方法在WFLW数据集上实现4.05%的平均误差，在300W全集上达到2.93%的平均误差，在COFW数据集上取得3.71%的平均误差。