摘要

面部美感预测（Facial Beauty Prediction, FBP）是计算机视觉领域中一项量化人脸美感的任务。近年来，深度学习的快速发展为该问题的解决带来了显著进展。然而，目前大多数方法仅训练机器学习模型以预测平均美感得分，将FBP视为单一的回归任务。此外，现有的基于深度学习的FBP方法普遍采用在通用分类任务（如ImageNet）上预训练的模型进行迁移学习。本文提出一种新方法：对原本在人脸验证任务上训练的卷积神经网络（CNN）集成模型进行微调，并采用多种损失函数（如基于地球移动距离，Earth Mover's Distance, EMD的损失函数）进行优化。该方法不仅能够预测完整的美感得分分布，而不仅仅是均值，而且预测的均值得分与真实值之间的皮尔逊相关系数（Pearson Correlation, PC）显著提升。在MEBeauty数据集上，该方法在平均绝对误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Squared Error, RMSE）以及预测均值与真实均值之间的皮尔逊相关系数（PC）三项指标上均达到当前最优水平，实现了该任务的最新性能。