人脸对齐（十七）--DenseReg

DenseReg: Fully Convolutional Dense Shape Regression In-the-Wild

原文： CVPR 2017
摘要： 在本文中，我们提出通过完全卷积网络学习从图像像素到密集模板网格的映射。我们将此任务作为一个回归问题，并利用手动注释的面部标注来训练我们的网络。我们使用这样的标注，在三维对象模板和输入图像之间，建立密集的对应领域，然后作为训练我们的回归系统的基础。我们表明，我们可以将来自语义分割的想法与回归网络相结合，产生高精度的“量化回归”架构。我们的系统叫DenseReg，可以让我们以全卷积的方式估计密集的图像到模板的对应关系。因此，我们的网络可以提供有用的对应信息，而当用作统计可变形模型的初始化时，我们获得了标志性的本地化结果，远远超过当前最具挑战性的300W基准的最新技术。我们对大量面部分析任务的方法进行了全面评估，并且还展示了其用于其他估计任务的用途，如人耳建模。

上标h表示水平方向（作者的CNN有两个分支，分别是按图像的水平和垂直方向），

其中，u表示真值，d表示量化分辨率，q就是离散值，r表示连续值，意思就是q表示整数部分，r表示小数部分，u是位置x。网络模型预测r，q,最后合成u。

感觉语义分割的思路，用在人脸对齐上，受资源限制太大了。

结果：