摘要

遮挡问题严重降低了人脸对齐的定位性能。目前大多数解决方案集中于标注新的遮挡数据、引入边界估计方法，以及堆叠更深层的网络模型以提升神经网络的鲁棒性。然而，在极端遮挡（平均遮挡率超过50%）情况下，由于缺失大量面部上下文信息，模型性能仍显著下降。我们认为，探索利用神经网络建模面部结构的层次关系，是应对极端遮挡更具前景的途径。令人意外的是，近期研究中鲜有工作致力于使用神经网络来表征面部的层次结构。本文提出一种新型网络架构——GlomFace，用于建模面对各类遮挡时的面部层次结构，其设计灵感来源于面部结构的视角不变层次特性。具体而言，GlomFace在功能上被划分为两个模块：部分-整体层次模块与整体-部分层次模块。前者通过捕捉面部各部分之间的部分-整体层次依赖关系，有效抑制多尺度遮挡信息；后者则通过建立面部各部分之间的整体-部分层次关系，将结构化推理机制引入神经网络。因此，GlomFace具有清晰的拓扑可解释性，其结构与面部层次结构一一对应。大量实验结果表明，所提出的GlomFace在性能上可与现有最先进方法相媲美，尤其在极端遮挡场景下表现突出。相关模型代码已开源，地址为：https://github.com/zhuccly/GlomFace-Face-Alignment。