面部流动网络：通过多样化数据集和分解模型推进面部光流估计
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了面部光流估计中数据集稀缺和现代基线不足的问题，提出了一个全新的大型面部光流数据集（FacialFlowNet，FFN）和分解面部流模型（DecFlow）。研究发现，FFN提供了丰富的多样性，显著提高了光流估计的准确度，且DecFlow在面部动作分析中优于现有方法，显示出在微表情识别上有18%的精度提升。
本文介绍了一种基于Transformer编码器的方法，用于将视频中的头部运动和面部表情转移到源图像的外观。该方法实现了跨再现，适用于不同的人，并通过自监督学习源人物的潜在表示，分解了外观、头部角度和面部表情，具有良好的泛化能力。实验结果表明，该方法在运动传输质量和时间一致性方面表现优秀。
