⚠️ 以下所有内容总结都来自于 大语言模型的能力,如有错误,仅供参考,谨慎使用
🔴 请注意:千万不要用于严肃的学术场景,只能用于论文阅读前的初筛!
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ,还请您给我们一些鼓励!⭐️ HuggingFace免费体验
2025-10-01 更新
PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement
Authors:Bo Zhao, Dan Guo, Junzhe Cao, Yong Xu, Tao Tan, Yue Sun, Bochao Zou, Jie Zhang, Zitong Yu
Remote photoplethysmography (rPPG) measurement enables non-contact physiological monitoring but suffers from accuracy degradation under head motion and illumination changes. Existing deep learning methods are mostly heuristic and lack theoretical grounding, which limits robustness and interpretability. In this work, we propose a physics-informed rPPG paradigm derived from the Navier-Stokes equations of hemodynamics, showing that the pulse signal follows a second-order dynamical system whose discrete solution naturally leads to a causal convolution. This provides a theoretical justification for using a Temporal Convolutional Network (TCN). Based on this principle, we design PHASE-Net, a lightweight model with three key components: (1) Zero-FLOPs Axial Swapper module, which swaps or transposes a few spatial channels to mix distant facial regions and enhance cross-region feature interaction without breaking temporal order; (2) Adaptive Spatial Filter, which learns a soft spatial mask per frame to highlight signal-rich areas and suppress noise; and (3) Gated TCN, a causal dilated TCN with gating that models long-range temporal dynamics for accurate pulse recovery. Extensive experiments demonstrate that PHASE-Net achieves state-of-the-art performance with strong efficiency, offering a theoretically grounded and deployment-ready rPPG solution.
远程光体积描记术(rPPG)测量能够实现非接触式生理监测,但在头部运动和光照变化的情况下会出现精度下降的问题。现有的深度学习方法大多基于启发式,缺乏理论基础,这限制了其稳健性和可解释性。在这项工作中,我们提出了一种基于血流动力学Navier-Stokes方程的物理学rPPG范式,表明脉冲信号遵循二阶动力系统,其离散解自然导致因果卷积。这为使用时间卷积网络(TCN)提供了理论依据。基于这一原理,我们设计了PHASE-Net模型,它具有三个关键组件:(1)零浮点运算轴向交换模块(Zero-FLOPs Axial Swapper module),该模块交换或转置少数空间通道以混合面部区域的远端增强跨区特征交互,而不破坏时间顺序;(2)自适应空间滤波器(Adaptive Spatial Filter),它学习每帧的软空间掩模以突出信号丰富的区域并抑制噪声;(3)门控TCN(门控的因果膨胀TCN),该模型模拟长时间动态过程以进行准确的脉冲恢复。大量实验表明,PHASE-Net具有卓越的性能和高效性,提供了一个理论性强且部署就绪的rPPG解决方案。
论文及项目相关链接
Summary
远程光容积脉搏波成像(rPPG)是一种非接触生理监测技术,但受到头部运动和光照变化影响导致精度下降。现有深度学习方法缺乏理论支撑,稳健性和可解释性有限。本研究提出一种基于流体力学Navier-Stokes方程的物理信息rPPG范式,证实脉搏信号遵循二阶动力系统,其离散解自然形成因果卷积,为使用时序卷积网络(TCN)提供理论支持。基于此原则,设计PHASE-Net模型,包含零乘运算轴向交换器模块、自适应空间滤波器和门控TCN等三个关键组件,实现远距离面部区域特征交互增强、信号丰富区域突出和噪声抑制,以及长程时间动态精确建模。实验证明,PHASE-Net达到最新性能水平,具有强大的效率,提供了一种理论支撑且可部署的rPPG解决方案。
Key Takeaways
- 远程光容积脉搏波成像(rPPG)受头部运动和光照变化影响,导致精度下降。
- 现有深度学习方法在rPPG处理中缺乏理论支撑,影响稳健性和可解释性。
- 研究提出基于物理信息的rPPG范式,源于流体力学Navier-Stokes方程,为使用TCN提供理论支持。
- PHASE-Net模型包含三个关键组件:零乘运算轴向交换器模块实现面部区域特征交互增强,自适应空间滤波器突出信号丰富区域并抑制噪声,门控TCN实现长程时间动态精确建模。
- PHASE-Net实现了高性能的rPPG处理,同时具有强大的效率。
- PHASE-Net提供了一种理论支撑且可部署的解决方案,对于非接触生理监测具有实际应用价值。
点此查看论文截图

