Cet article propose un nouveau cadre d'apprentissage-classement pour améliorer le réalisme et le naturel de la génération d'expressions faciales robotisées. Les méthodes d'ajustement manuel existantes présentent des limites en termes de finesse et de réalisme des expressions. Cette étude vise à les surmonter en utilisant des données de préférences humaines. Plus précisément, nous utilisons des annotations de comparaison par paires pour collecter des données de préférences humaines et développons le modèle HAPI (Human Affective Pairwise Impressions) basé sur Siamese RankNet pour améliorer l'évaluation des expressions faciales. Les résultats expérimentaux utilisant l'optimisation bayésienne et une enquête en ligne sur les expressions faciales sur une plateforme Android à 35 degrés de liberté montrent que la méthode proposée génère des expressions faciales de colère, de joie et de surprise de manière beaucoup plus réaliste et socialement pertinente que les méthodes existantes. Cela confirme que le cadre proposé comble efficacement l'écart entre les préférences humaines et la prédiction du modèle, et adapte la génération d'expressions faciales robotisées aux réponses émotionnelles humaines.
