44 lines
12 KiB
Markdown
44 lines
12 KiB
Markdown
## 3.4 Modellierung interindividueller anatomischer Variation der Periorbitalregion
|
|
|
|
Die in den vorangegangenen Abschnitten vorgestellten Synthesepipelines variieren fast ausschließlich *dynamische* Bildparameter: Blickrichtung, Kopfpose, Beleuchtung und Pupillendurchmesser ändern sich von Bild zu Bild und erzeugen die gewünschte Trainingsvarianz. Die *statische Grundform* der Augenregion -- Lidspaltengeometrie, Lidfaltentiefe, Epikanthuspräsenz, Kanthusneigung -- wird dagegen entweder gar nicht randomisiert oder nur implizit über eine kleine Menge diskreter 3D-Kopfmodelle abgedeckt. Damit bleibt eine zentrale Dimension natürlicher Erscheinungsvielfalt in den generierten Datensätzen unterrepräsentiert. Dieses Kapitel begründet, warum die periorbitale Morphologie eine eigenständige, biologisch fundierte Variationsachse darstellt, und zeigt, wie morphologische Variation in bestehenden Modellierungsansätzen parametrisch erfasst wird.
|
|
|
|
### 3.4.1 Periorbitale Morphologie als relevante Variationsachse
|
|
|
|
Dass sich die Periorbitalregion systematisch zwischen Individuen unterscheidet, ist in der anthropometrischen Literatur quantitativ gut belegt. Die umfassendste Referenz liefert die internationale Vergleichsstudie von Farkas, Katic und Forrest et al., die 1\,470 Personen aus 25 ethnischen Gruppen auf vier Kontinenten vermessen und signifikante Unterschiede in biokulärer Breite, Interkanthalabstand und Lidspaltenneigung dokumentiert hat [Farkas2005]. Auf Populationsebene zeigen sich die Unterschiede besonders deutlich in der Lidspaltengeometrie: Rhee, Woo und Kwon berichten für koreanische Gesichter eine mittlere Lidspaltenhöhe von ca. 8,6\,mm gegenüber ca. 10,7\,mm bei kaukasischen und ca. 10,8\,mm bei afrikanischen Gesichtern, während die Kanthusneigung in ostasiatischen Populationen mit 10--11° deutlich steiler ausfällt als in kaukasischen (ca. 7°) oder afrikanischen Gruppen (ca. 5°) [Rhee2012]. Ergänzende dreidimensionale Messstudien an weiteren Populationen bestätigen, dass Lidspaltenbreite, -höhe und -neigung signifikant mit ethnischem Hintergrund und Geschlecht variieren [Gao2025, Price2009].
|
|
|
|
Neben der Lidspalte selbst unterscheiden sich weitere Merkmale substanziell. Die *Supratarsalfalte* (Doppellidfalte) ist bei über 85\,\% der europäischen Bevölkerung sichtbar, aber je nach Studie nur bei 40--83\,\% der ostasiatischen Bevölkerung vorhanden; Lu, Kadir, Ngeow und Othman fanden eine Prävalenz von 100\,\% bei malaiischen gegenüber 70\,\% bei chinesischen Probanden, mit deutlich unterschiedlicher Faltenhöhe (8,3 vs. 4,9\,mm) [Lu2017]. Die *Epikanthalfalte* -- eine Hautfalte, die den medialen Kanthus überdeckt -- kommt bei 60--90\,\% der ost- und südostasiatischen Erwachsenen vor, aber bei weniger als 10\,\% der europäischen Bevölkerung. Anatomisch wird dieser Unterschied auf die tiefere Insertion des Orbitalseptums am Levator und die stärkere Ausprägung des präseptalen Orbicularis-oculi-Muskels zurückgeführt [Park2015].
|
|
|
|
Über die ethnische Variation hinaus sind auch geschlechts- und altersbedingte Unterschiede dokumentiert. Studien berichten signifikante Differenzen in Lidspaltenmaßen und Brauenpositionen zwischen Männern und Frauen [Gao2025, Price2009]. Mit zunehmendem Alter verändern sich Lidhautspannung und Lidkonturen; Erschlaffung, Ptosis und Verschiebungen der Orbitalfettverteilung führen nach dem 45. Lebensjahr zu messbaren Veränderungen der Lidspaltenmaße [Patil2011]. Darüber hinaus ist *natürliche bilaterale Asymmetrie* ein bekanntes Phänomen: Song et al. dokumentieren, dass bei 24--27\,\% der untersuchten Personen eine Seitendifferenz der Lidspaltenhöhe von $\geq$\,1\,mm und bei 22--36\,\% eine Neigungsdifferenz von $\geq$\,2° besteht [Song2007].
|
|
|
|
Zusammenfassend bilden Lidform, Lidfalte, Epikanthus und Kanthusneigung ein mehrdimensionales System biologisch fundierter, visuell wirksamer Formvariation, das sich systematisch entlang von Ethnie, Geschlecht und Alter unterscheidet. Ein synthetischer Generator, der diese Achsen nicht abbildet, erzeugt Trainingsdaten, die einen wesentlichen Teil der natürlichen Erscheinungsvielfalt ausblenden -- mit potenziellen Konsequenzen für die Generalisierungsfähigkeit trainierter Modelle.
|
|
|
|
### 3.4.2 Parametrische Modellierung morphologischer Variation
|
|
|
|
Die parametrische Modellierung von Gesichtsform hat eine lange Tradition in der Computer Vision. *3D Morphable Models* (3DMMs) repräsentieren Gesichtsgeometrie als Linearkombination von Basisformen, die durch Hauptkomponentenanalyse (PCA) aus registrierten 3D-Scans gewonnen werden. Das *Basel Face Model* (BFM) wurde aus 200 Laserscans überwiegend europäischer Probanden trainiert und erzeugt 199 Formkomponenten über einem Mesh von 53\,490 Vertices [Paysan2009]. *FLAME* erweitert das Prinzip um ein artikuliertes Kopfmodell mit 5\,023 Vertices, trainiert auf ca. 3\,800 Kopfscans, und stellt 300 Identitäts- sowie 100 Expressionsparameter bereit, ergänzt um vier Gelenke und poseabhängige Korrektur-Blendshapes [Li2017]. Das *Large Scale Facial Model* (LSFM) steigerte die Trainingsbasis auf 9\,663 Identitäten und zeigte, dass demographische Cluster auf der Formmannigfaltigkeit implizit kodiert werden [Booth2018].
|
|
|
|
Alle drei Modelle teilen jedoch eine strukturelle Einschränkung: Ihre Dimensionen sind *holistisch und semantisch nicht interpretierbar*. PCA maximiert erklärte Varianz, nicht anatomische Bedeutung -- eine einzelne Hauptkomponente verändert typischerweise gleichzeitig Nasenbreite, Wangenprominenz, Brauenform und Orbitaltiefe. Es gibt keinen Parameter, der gezielt die Tiefe der Lidfalte oder die Ausprägung einer Epikanthalfalte steuert. Dasselbe gilt für das *3D Morphable Eye Region Model* von Wood et al., das erstmals ein PCA-basiertes Formmodell speziell für die Augenregion entwickelte: Acht Formkoeffizienten erfassen 90\,\% der Varianz über 22 Kopfscans, und die erste Hauptkomponente unterscheidet grob zwischen *hooded* und *protruding* Augen [Wood2016b]. Die Koeffizienten sind jedoch weder benannt noch anatomisch zuweisbar, und die Trainingsbasis von 22 Scans ist zu klein, um die in Abschnitt 3.4.1 dokumentierte globale Variationsbreite abzubilden. UnityEyes nutzt genau dieses Modell als Formgenerator [Wood2016], steht aber vor demselben Problem: Die PCA-Achsen erlauben keine gezielte Steuerung einzelner anatomischer Merkmale. Für den vorliegenden Kontext ist genau das die zentrale Einschränkung -- Variation ist zwar modelliert, aber nicht in Form lokal benennbarer, anatomisch plausibler Parameter.
|
|
|
|
Einen grundlegend anderen Ansatz verfolgt Wisetchat in ihrer Dissertation *Description-based Visualisation of Ethnic Facial Types* mit anschließender Validierung in Wisetchat, Stevens und Frost [Wisetchat2018, Wisetchat2024]. Statt holistische PCA-Dimensionen zu verwenden, definiert das dort vorgestellte *Topographical Face Model* (TFM) 71 semantisch interpretierbare, lokale Formattribute über 36 anatomische Merkmale in sechs Gesichtsregionen. Jedes Attribut ist als unabhängiger Blendshape-Deformer auf einer Catmull-Clark-Subdivisionsfläche implementiert, mit einem linearen Interpolationskoeffizienten $\alpha \in [0, 1]$ zwischen einer Basisform und einer Zielform. Quasi-Orthogonalität wird dadurch erzielt, dass jeder Blendshape nur entlang einer der drei anatomischen Achsen -- mediolateral, superoinferior oder anteroposterior -- deformiert. Die *Periorbitalregion* ist mit 12 Features und 14 Attributen die reichste Einzelregion des Modells und erfasst genau jene Merkmale, deren Variabilität in Abschnitt 3.4.1 dokumentiert wurde: Endokanthion- und Exokanthionposition (steuern Kanthusneigung und Lidspaltenbreite), Lidspaltenhöhe, obere und untere Lidkonvexität, Tiefenparameter für die periorbitale Fossa, die Tiefe des Supratarsalsulkus, ein Attribut für die Supratarsalfalte sowie ein eigenes Attribut für die Epikanthalfalte. Der entscheidende Kontrast zu klassischen 3DMMs liegt darin, dass jeder dieser Parameter semantisch benennbar, anatomisch zuweisbar und unabhängig von den anderen steuerbar ist. In einer Validierung an 80 stereophotogrammetrisch erfassten Gesichtern lagen über 80\,\% der Oberflächenpunkte innerhalb von 1\,mm der Originalscans, und eine MANOVA bestätigte, dass die TFM-Attribute geographische Herkunft und Geschlecht signifikant trennen (jeweils $p < 0{,}0001$) [Wisetchat2024].
|
|
|
|
Wisetchats Arbeit zielt jedoch auf die *menschliche visuelle Wahrnehmung* ethnischer Gesichtsvariation -- das TFM ist ein interaktives Explorationswerkzeug, nicht ein Datengenerator für maschinelles Lernen. Die vorliegende Arbeit übernimmt denselben Grundgedanken -- explizite, semantisch interpretierbare, quasi-orthogonale Formparameter für die Periorbitalregion --, wendet ihn aber in einem anderen Kontext an: als Randomisierungsachsen innerhalb einer Blender-basierten Synthesepipeline, mit dem Ziel, Trainingsdaten für ein Pupillensegmentierungsmodell zu erzeugen. Die Parameter werden nicht interaktiv exploriert, sondern stochastisch gesampelt, um die in Abschnitt 3.4.1 belegte natürliche Variationsbreite systematisch abzudecken. Gleiche Modellierungsphilosophie, anderer Anwendungskontext -- eine Kombination, die in der bisherigen Literatur zur synthetischen Eye-Tracking-Datengenerierung nicht realisiert wurde. Kapitel 3.5 positioniert diese Lücke explizit und formuliert den Beitrag der eigenen Arbeit.
|
|
|
|
---
|
|
|
|
### Quellenverzeichnis
|
|
|
|
- **[Farkas2005]** Farkas, L. G., Katic, M. J., Forrest, C. R. et al. -- *International Anthropometric Study of Facial Morphology in Various Ethnic Groups/Races.* Journal of Craniofacial Surgery, 16(4), 615--646, 2005.
|
|
- **[Rhee2012]** Rhee, S. C., Woo, K. S. & Kwon, B. -- *Biometric Study of Eyelid Shape and Dimensions of Different Races with References to Beauty.* Aesthetic Plastic Surgery, 36(5), 1236--1245, 2012.
|
|
- **[Gao2025]** Gao, T., Guo, Y., Rokohl, A. C., Fan, W., Lin, M., Ju, S., Li, X., Hou, X., Rosenkranz, T. A., Zhang, G., Bai, H., Ni, K., Yao, K. & Heindl, L. M. -- *Racial and Sexual Differences of Eyebrow and Eyelid Morphology: Three-dimensional Analysis in Young Caucasian and Chinese Populations.* 2025.
|
|
- **[Price2009]** Price, K. M., Gupta, P. K., Woodward, J. A., Stinnett, S. S. & Murchison, A. P. -- *Eyebrow and Eyelid Dimensions: An Anthropometric Analysis of African Americans and Caucasians.* Plastic and Reconstructive Surgery, 124(2), 615--623, 2009.
|
|
- **[Lu2017]** Lu, T. Y., Kadir, K., Ngeow, W. C. & Othman, S. A. -- *The Prevalence of Double Eyelid and the 3D Measurement of Orbital Soft Tissue in Malays and Chinese.* Scientific Reports, 7, 14885, 2017.
|
|
- **[Park2015]** Park, D. H. & Woo, K. J. -- *The Asian Eyelid: Relevant Anatomy.* Seminars in Plastic Surgery, 29(3), 158--164, 2015.
|
|
- **[Song2007]** Song, W. C., Kim, S. J., Kim, S. H., Hu, K. S., Kim, H. J. & Koh, K. S. -- *Asymmetry of the Palpebral Fissure and Upper Eyelid Crease in Koreans.* Journal of Plastic, Reconstructive & Aesthetic Surgery, 60(3), 251--255, 2007.
|
|
- **[Patil2011]** Patil, S. B. et al. -- *Age-related Changes in Palpebral Fissure Dimensions.* Journal of Clinical and Diagnostic Research, 5(3), 600--604, 2011.
|
|
- **[Paysan2009]** Paysan, P., Knothe, R., Amberg, B., Romdhani, S. & Vetter, T. -- *A 3D Face Model for Pose and Illumination Invariant Face Recognition.* Proc. IEEE AVSS, 296--301, 2009.
|
|
- **[Li2017]** Li, T., Bolkart, T., Black, M. J., Li, H. & Romero, J. -- *Learning a Model of Facial Shape and Expression from 4D Scans.* ACM Transactions on Graphics (Proc. SIGGRAPH Asia), 36(6), 194, 2017.
|
|
- **[Booth2018]** Booth, J., Roussos, A., Zafeiriou, S., Ponniah, A. & Dunaway, D. -- *Large Scale 3D Morphable Models.* International Journal of Computer Vision, 126(2--4), 233--254, 2018.
|
|
- **[Wood2016b]** Wood, E., Baltrusaitis, T., Morency, L.-P., Robinson, P. & Bulling, A. -- *A 3D Morphable Eye Region Model for Gaze Estimation.* Proc. ECCV, 297--313, 2016.
|
|
- **[Wood2016]** Wood, E., Baltrusaitis, T., Morency, L.-P., Robinson, P. & Bulling, A. -- *Learning an Appearance-Based Gaze Estimator from One Million Synthesised Images.* Proc. ETRA, 131--138, 2016.
|
|
- **[Wisetchat2018]** Wisetchat, K. -- *Description-based Visualisation of Ethnic Facial Types.* Dissertation, Glasgow School of Art, 2018.
|
|
- **[Wisetchat2024]** Wisetchat, K., Stevens, R. & Frost, A. -- *Facial Modeling and Measurement Based upon Homologous Topographical Features.* PLOS ONE, 19(6), e0304561, 2024.
|