DrFER: Learning Disentangled Representations for 3D Facial Expression Recognition

面部表情识别（FER）一直是面部分析领域的重点。在现有的3D FER或2D+3D FER方法的背景下，表情特征的提取经常与身份信息纠缠在一起，从而影响这些特征的独特性。为了解决这个挑战，我们引入了创新的DrFER方法，将解缠表示学习的概念引入到3D FER领域。DrFER采用双分支框架，有效地将表情信息与身份信息分离。与以往在3D面部领域的解缠努力不同，我们仔细重新配置了损失函数和网络结构，使整体框架适应点云数据。这种适应性增强了框架在识别面部表情方面的能力，即使涉及不同的头部姿势的情况也是如此。在BU-3DFE和Bosphorus数据集上进行的广泛评估证实，DrFER超过了其他3D FER方法的性能。

解决问题：论文旨在解决3D面部表情识别中表情特征与身份信息混杂的问题，提出一种新的DrFER方法，通过双分支框架有效地将表情信息与身份信息分离，提高面部表情识别的准确性。

关键思路：DrFER方法采用双分支框架，通过重新配置损失函数和网络结构，将点云数据适应于整体框架，从而实现表情信息与身份信息的有效分离。

其他亮点：论文在BU-3DFE和Bosphorus数据集上进行了广泛的评估，证明DrFER方法在3D面部表情识别方面优于其他方法。该论文的创新之处在于将分离表示学习引入到3D面部表情识别领域中，并通过双分支框架实现表情信息与身份信息的有效分离。

相关研究：最近的相关研究包括使用深度学习方法进行3D面部表情识别，如Deep3DFace和3DMMER等。