[论文翻译]基于亚像素热图回归的面部关键点定位

基于热图回归的深度学习模型彻底改变了面部关键点定位任务，现有模型在大姿态、非均匀光照与阴影、遮挡与自遮挡、低分辨率及模糊条件下均表现出强大鲁棒性。然而，尽管热图回归方法被广泛采用，其仍存在由离散化过程引发的编码与解码误差。本研究表明，这些误差对面部对齐精度存在超乎预期的显著负面影响。为解决该问题，我们提出一种利用底层连续分布的新型热图编解码方法。为充分发挥新编解码机制的优势，我们还引入了基于孪生网络的训练策略，通过强制热图在不同几何图像变换下的一致性实现性能提升。该方法在多个数据集上取得显著效果提升，创造了面部关键点定位任务的新标杆。预训练模型及代码将在此公开。