यह पत्र एक नए फेस मैटिंग फ्रेमवर्क, फेसमैट, का प्रस्ताव करता है, जो एक उच्च-रिज़ॉल्यूशन वाले अल्फा मैट का अनुमान लगाता है जो चेहरे से अवरोधक तत्वों को अलग करता है ताकि अवरोधन की समस्या (जब हाथ, बाल, सहायक उपकरण आदि चेहरे को अस्पष्ट कर देते हैं) का समाधान किया जा सके जो फेस फिल्टर के प्रदर्शन को कम कर देता है। इसे प्राप्त करने के लिए, हम फेसमैट प्रस्तुत करते हैं, एक फेस मैटिंग फ्रेमवर्क जो बिना ट्रिमैप्स के अनिश्चितता को ध्यान में रखता है। फेसमैट को शिक्षक-छात्र मॉडल लर्निंग पाइपलाइन का उपयोग करके प्रशिक्षित किया जाता है। शिक्षक मॉडल अल्फा मैट और पिक्सेल-वार अनिश्चितता, दोनों का पूर्वानुमान करता है, और फिर इस अनिश्चितता की जानकारी का उपयोग छात्र मॉडल को स्थानिक रूप से अनुकूली रूप से निर्देशित करने के लिए किया जाता है। मौजूदा विधियों के विपरीत, फेसमैट सहायक इनपुट (ट्रिमैप्स या सेगमेंटेशन मास्क) के बिना काम करता है और त्वचा को अग्रभूमि और पृष्ठभूमि अवरोधों में स्पष्ट रूप से अलग करके संश्लेषण रणनीति में सुधार करता है। इसके अलावा, हम एक नए निर्मित, बड़े पैमाने के सिंथेटिक डेटासेट, सेलेबएमैट का उपयोग करके प्रयोग करते हैं, और प्रदर्शित करते हैं कि हमारा दृष्टिकोण विभिन्न बेंचमार्क में मौजूदा अत्याधुनिक विधियों से बेहतर प्रदर्शन करता है। स्रोत कोड और सेलेबएमैट डेटासेट सार्वजनिक रूप से उपलब्ध हैं।
