一、现实痛点：当人脸被遮挡，AI “认脸” 有多难？
你是否遇到过这样的场景？
- 中考体育测试：2025 年天津泰达街中考考场要求考生 “脸部无遮挡” 才能通过人脸识别入场，戴口罩、帽子的学生需现场调整发型。
- 智能门锁：奇景光电在 CES 2025 推出的 WiseEye 掌静脉模块，通过掌静脉 + 人脸识别双模态技术，解决了严寒环境下戴手套无法识别的问题。
- 安防监控：2024 年某装修企业因 “未告知用户” 采集人脸信息被处罚，凸显隐私保护与技术应用的矛盾。
真实场景中的人脸遮挡，正在成为 AI “认脸” 的核心挑战。据《中国安防行业数字安全建设与发展白皮书》显示，2024 年智能安防市场规模突破 1.06 万亿元，但传统人脸识别技术在 30% 面部遮挡时准确率骤降 40%，在合规与效率间陷入两难。
传统方法为何在真实数据上 “翻车”？
过去，研究者常用深度学习模型处理人脸去遮挡问题，但效果始终不理想。核心原因在于：训练数据和真实数据 “长得不一样”。
- 合成数据太 “假”：传统方法依赖合成数据（如在干净人脸图像上人工粘贴遮挡物），但合成的遮挡物往往光照不自然、边缘生硬，与真实遮挡（如口罩贴合面部的阴影、墨镜的反光）存在明显差异。
- 结构信息缺失：合成数据中的人脸多为正面、表情自然的 “标准脸”，而真实场景中遮挡人脸可能有侧脸、夸张表情、复杂光照，模型难以泛化。
这种 “合成数据→真实数据” 的 “域差距”，让模型在真实遮挡场景下频频 “翻车”。如何让 AI 看懂 “真实世界的遮挡”？这篇论文给出了突破性方案。
二、核心创新：三阶段 “步步引导”，让 AI 学会 “拆解难题”
三阶段级联引导学习框架
将人脸去遮挡拆解为三个连续阶段，像 “流水线” 一样逐步修复遮挡区域：
- 第一阶段：遮挡检测（找遮挡）
先定位遮挡的具体位置和形状，输出一张 “遮挡掩码”（白色区域为遮挡，黑色为未
