Rectified Flow 提升情感估计
Salah Eddine Bekhouche · hf · 2026-07-16
AffectFlow-DINO 提出了一种用于 ABAW 挑战赛的多任务情感估计系统，在传统确定性架构上加入了**条件 rectified flow** 头，用来刻画真实场景中面部行为标注的天然歧义。 ### 核心方法 - 不是只预测单一结果，而是学习**条件生成分布**，可通过 Monte Carlo 采样得到 one-to-many 的不确定性预测。 - 同时完成三项任务：连续的 valence-arousal 回归、8 类表情分类、12 个 Action Units 检测。 - 以冻结的 **DINOv3 ViT-S/16** 作为骨干网络。 ### 结果 - 大量消融表明，rectified-flow 解码能稳定提升确定性预测，尤其是 valence-arousal：**CCC-V 提升 0.058**。 - 后验阈值校准能在不重新训练的情况下，显著修复长尾稀有类别表现，例如 **Fear 从 3.8% 提升到 33.1%**。 - 结合骨干微调与 flow 重新训练后，最终取得 **P_MTL = 1.177**，明显优于官方基线 **0.45**。