DisFace3DNet：3D组件解耦预测面部吸引力
热点事件持续更新
DisFace3DNet：3D组件解耦预测面部吸引力
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Fenggui Rao 等作者提交论文，提出 DisFace3DNet，用 3D 组件解耦从整体评分中学习七个组件参考分数，无需人工标注组件目标。在 SCUT-FBP5500 数据集上，该模型与人类平均评分的 Pearson 相关系数为 0.8904±0.0063（五折均值±标准差），其组件项可将每个留出预测重建至数值精度。 作者称，皮肤、头发和面部形状对组件预测差异贡献最大；人类评估支持面部形状、皮肤和头发的评分方向，表情一致性较弱。
AI 根据报道生成 · 2 小时前更新
最新进展10月9日 12:00
DisFace3DNet：通过 3D 组件解耦实现可解释的面部吸引力预测报道时间线
沿着报道，了解事件的不同侧面。
10月9日
- arXiv cs.CVDisFace3DNet：通过 3D 组件解耦实现可解释的面部吸引力预测
DisFace3DNet 通过 3D 组件解耦，从整体评分中学习七个组件参考分数，无需人工标注组件目标。在 SCUT-FBP5500 上，该模型与人类平均评分的 Pearson 相关系数达 0.8904±0.0063（五折均值±标准差），其组件项可将每个留出预测重建至数值精度。皮肤、头发和面部形状对组件预测差异贡献最大，人类评估支持面部形状、皮肤和头发的评分方向，表情一致性较弱。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。