Este artículo propone un novedoso marco de matizado facial, FaceMat, que estima un matizado alfa de alta resolución que separa los elementos oclusivos del rostro para abordar el problema de oclusión (cuando las manos, el cabello, los accesorios, etc., oscurecen el rostro) que degrada el rendimiento de los filtros faciales. Para lograrlo, presentamos FaceMat, un marco de matizado facial que considera la incertidumbre sin trimaps. FaceMat se entrena mediante un flujo de aprendizaje del modelo profesor-alumno. El modelo profesor predice tanto el matizado alfa como la incertidumbre a nivel de píxel, y esta información de incertidumbre se utiliza para guiar espacialmente de forma adaptativa al modelo del alumno. A diferencia de los métodos existentes, FaceMat funciona sin entradas auxiliares (trimaps o máscaras de segmentación) y mejora la estrategia de síntesis al distinguir claramente la piel entre las oclusiones de primer plano y de fondo. Además, realizamos experimentos utilizando un nuevo conjunto de datos sintéticos a gran escala, CelebAMat, y demostramos que nuestro enfoque supera a los métodos de vanguardia existentes en diversas pruebas de referencia. El código fuente y el conjunto de datos CelebAMat están disponibles públicamente.
