摘要

基于远程光体积描记法（rPPG）的生理测量在情感计算、非接触式健康监测、远程医疗监测等领域具有重要的应用价值，尤其是在COVID-19疫情期间变得尤为重要。现有的方法通常分为两大类。第一类方法侧重于从面部视频中提取细微的血容量脉搏（BVP）信号，但很少显式建模主导面部视频内容的噪声。这些方法容易受到噪声的影响，在未见过的场景中可能表现出较差的泛化能力。第二类方法则直接对噪声数据进行建模，由于缺乏对严重随机噪声的规律性约束，导致性能不佳。本文提出了一种分解与重构网络（DRNet），该网络专注于建模生理特征而非噪声数据。我们引入了一种新颖的循环损失来约束生理信息的周期性。此外，还提出了一种即插即用的空间注意力模块（SAB），以增强包含空间位置信息的特征。进一步地，我们提出了一种高效的补丁裁剪（PC）增强策略，用于合成具有不同噪声和特征的增强样本。广泛的实验在不同的公开数据集上以及跨数据库测试中验证了我们方法的有效性。