主動外觀模型

主動外觀模型（active appearance model, AAM，Cootes、Edwards 與 Taylor）擴充了主動形狀模型，不只建模物件的輪廓，也建模該輪廓內部的紋理——實際的像素圖樣——並且聯合擬合兩者。ASM 知道人臉的形狀（眼睛與嘴巴地標位於何處），卻對它們之間區域裡填的是什麼視而不見。AAM 加入一個學得的外觀模型，使整張臉——幾何與皮膚、眼睛與陰影一起——都被捕捉。直覺是：AAM 不只是把線框貼到邊緣上，而是試圖生成整張人臉影像，並滑動與扭曲它的模型，直到合成出的臉盡可能貼近真實照片。

具體而言，你從標註過的訓練人臉建立兩個 PCA 模型。形狀模型捕捉地標配置，與 ASM 中完全相同。至於外觀模型，你把每張訓練臉扭曲到平均形狀上（使所有臉在幾何上對齊），再對這些經形狀正規化的像素紋理跑 PCA，得到一個平均紋理加上紋理變化的模態（光照、身分、表情）。常常還有第三個 PCA 把形狀與紋理參數合併成單一組外觀係數，因為在人臉中形狀與紋理是相關的。擬合被表述為最小化外觀殘差：把模型合成的紋理扭曲到目前的形狀中，從真實影像減去它，並調整參數以縮小該差異。原始方法的優雅在於：一次性學得「殘差影像」與「能減小它的參數更新」之間一個固定的線性關係，使每次擬合迭代只是一次便宜的矩陣相乘，而非昂貴的最佳化。

AAM 成為人臉建模、追蹤與表情分析的主力，也是醫學影像中的標準工具，因為那裡的結構（心臟、腦、脊椎）具有一致的形狀與外觀。由於模型是生成式的，擬合得到的不只是地標，還有一個完整的重建以及「這張臉是誰、看起來如何」的精簡編碼。其限制也很熟悉：AAM 對特定個人或小族群友善，但在身分、光照與姿態差異很大時泛化不佳；它需要仔細的初始化與許多人工地標；而線性紋理模型難以應付大幅外觀變化。級聯回歸人臉對齊、其後的深度熱圖／3D 可變形模型方法（以及學得的生成式人臉模型）在真實野外人臉上取代了 AAM，但 AAM 的想法——一個藉由最小化重建誤差來擬合的聯合、生成式「形狀加外觀」模型——直接預示了至今仍在使用的 3D 可變形模型與「以合成做分析（analysis-by-synthesis）」方法。