ReFace: Reorganizing Facial Spatiotemporal Representations for Improved Pain Assessment

📄 arXiv: 2607.19722v1 📥 PDF

作者: Stefanos Gkikas, Yu Fang, Christian Arzate Cruz, Muhammad Umar Khan, Raul Fernandez Rojas

分类: cs.CV

发布日期: 2026-07-22

备注: Accepted at the 14th International Conference on Affective Computing and Intelligent Interaction (ACII 2026)

💡 一句话要点

提出ReFace以改善面部疼痛评估问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 面部表情识别 疼痛评估 空间重组 深度学习 计算机视觉

📋 核心要点

  1. 现有方法在自动化面部疼痛评估中面临空间异质性问题，导致准确性不足。
  2. 论文提出ReFace，通过将面部划分为四个象限进行空间重组，以提高疼痛评估的准确性。
  3. 在AI4Pain数据集上，ReFace在视频输入下达到了56.00%的准确率，显著高于其他方法。

📝 摘要（中文）

自动化面部视频疼痛评估因疼痛相关面部线索的空间异质性而面临挑战。本研究提出了ReFace，一个空间重组管道，在标记化之前将面部输入划分为四个空间象限，而不是将整个面部作为单一区域处理。在AI4Pain数据集上评估后，所提方法在仅使用视频的测试集上达到了56.00%的准确率，成为在固定AI4Pain基准协议下比较方法中报告的最高准确率。值得注意的是，四象限配置在处理相同总像素预算的情况下，准确率更高，这表明空间重组可以在所提标记化设计下提高性能。单个象限区域处理仅四分之一的像素，仍然在较低的计算成本下保持竞争力。

🔬 方法详解

问题定义：本论文旨在解决自动化面部疼痛评估中的空间异质性问题，现有方法通常将整个面部作为单一区域处理，导致信息丢失和准确性不足。

核心思路：论文的核心思路是通过将面部图像划分为四个空间象限进行处理，以便更好地捕捉和利用面部疼痛相关线索，从而提高评估的准确性。

技术框架：整体架构包括输入图像的空间划分、象限的标记化处理、特征提取和最终的疼痛评估模块。每个象限独立处理，最终结果通过融合各象限的输出得出。

关键创新：最重要的技术创新在于空间重组的设计，通过四象限配置在相同的像素预算下实现更高的准确性，这与传统的全脸处理方法形成鲜明对比。

关键设计：在参数设置上，保持了每个象限的像素总数与全脸输入相同，同时优化了损失函数以适应象限特征的提取，确保了模型在计算效率和准确性之间的平衡。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，ReFace在AI4Pain数据集上达到了56.00%的准确率，成为在固定基准协议下的最高报告准确率。四象限配置在处理相同像素预算的情况下，表现出更高的准确性，单个象限区域在较低计算成本下也保持了竞争力。

🎯 应用场景

该研究的潜在应用领域包括医疗监测、心理健康评估和人机交互等。通过提高面部疼痛评估的准确性，ReFace可以帮助医生更好地理解患者的疼痛状态，从而提供更有效的治疗方案。未来，该方法可能在其他情感识别和表情分析领域也具有广泛的应用价值。

📄 摘要（原文）

Automatic pain assessment from facial video remains challenging due to the spatial heterogeneity of pain-related facial cues. This study proposes ReFace, a spatial reorganization pipeline that divides facial input into four spatial quadrants before tokenization, rather than processing the entire face as a single region. Evaluated on the AI4Pain dataset, the proposed approach achieves $56.00\%$ accuracy on the test set using video only, achieving the highest reported accuracy under the fixed AI4Pain benchmark protocol among the compared methods. Notably, the four-quadrant configuration processes the same total pixel budget as the full-face input, yet achieves higher accuracy, suggesting that spatial reorganization can improve performance under the proposed tokenization design. A single quadrant region, processing just one quarter of those pixels, remains competitive at a fraction of the computational cost.