Cet article propose un nouveau framework de masquage facial, FaceMat, qui estime un cache alpha haute résolution séparant les éléments occultants du visage afin de résoudre le problème d'occlusion (lorsque les mains, les cheveux, les accessoires, etc. obscurcissent le visage) qui dégrade les performances des filtres faciaux. Pour y parvenir, nous présentons FaceMat, un framework de masquage facial prenant en compte l'incertitude sans trimaps. FaceMat est entraîné à l'aide d'un pipeline d'apprentissage basé sur un modèle enseignant-élève. Le modèle enseignant prédit à la fois le cache alpha et l'incertitude pixel par pixel, et ces informations d'incertitude sont ensuite utilisées pour guider le modèle élève de manière adaptative spatialement. Contrairement aux méthodes existantes, FaceMat fonctionne sans entrées auxiliaires (trimaps ou masques de segmentation) et améliore la stratégie de synthèse en distinguant clairement la peau des occlusions d'avant-plan et d'arrière-plan. De plus, nous menons des expériences à l'aide d'un nouveau jeu de données synthétiques à grande échelle, CelebAMat, et démontrons que notre approche surpasse les méthodes de pointe existantes sur divers benchmarks. Le code source et le jeu de données CelebAMat sont accessibles au public.
