AI凭什么超越人类修图师？万字长文看懂美图云修AI修图解决方案(10)

在自动化人脸祛皱的需求引领下，为了摆脱传统皱纹检测算法的限制，美图影像实验室 MTlab 自主研发了一套全脸 (含脖子) 皱纹检测技术。该技术在覆盖全年龄段的真实人脸皱纹数据的驱动之下，发挥了深度学习表征能力强和兼容性高的优势，实现了端到端的抬头纹、框周纹、法令纹和颈纹的精准分割，成为了自动化祛皱算法的关键一环。
由于抬头纹、框周纹、法令纹和颈纹这四类皱纹的类内模式相似性较高而类间模式相似较低，MTlab 采用零件化的思想，将全脸皱纹检测任务分解成四个互相独立的子任务，分别对上述的四类皱纹进行检测。在四类皱纹的人脸区域定位上， MTlab 的人脸语义关键点检测技术发挥了重要作用。在不同拍摄场景以及人脸姿态下，该技术都能正确划分额头、眼周、脸颊和颈部区，从而为皱纹检测任务提供了稳定可靠的输入来源。MTlab 还利用眼周和脸颊区域的左右对称性，在进一步减少网络输入尺寸的同时，也让网络在模式学习上变得更简单。

图 13. 皱纹检测网络结构图
类 U-Net 的网络结构在图像特征编码和高低层语义信息融合上有着先天的优势，故受到许多分割任务的青睐。鉴于皱纹检测本质也是分割任务，MTlab 也在 U-Net 的基础上进行网络设计，并做了以下调整：
保留了编码器浅层的高分辨率特征图，并将其与解码器相同尺度的特征图进行信息融合：有助于引导解码器定位皱纹在图像中的位置，提升了宽度较细的皱纹检出率；
将解码器中的反卷积层替换为一个双线性上采样层和一个卷积层：避免分割结果的格状边缘效应，让网络输出的结果更贴合皱纹的原始形状。
皱纹检测的 loss 需要能起到真正监督的作用，为此总体的 loss 由两部分组合而成：Binary Cross Entropy Loss 以及 SSIM Loss。Binary Cross Entropy Loss 是分割任务的常用 loss，主要帮助网络区分前景像素和背景像素；SSIM Loss 则更关注网络分割结果与 GT 的结构相似性，有助于网络学习一个更准确的皱纹形态。