密集三维人脸对应
本文提出了一种使用神经网络在高度自由的 RGB 图像中计算面部对应关系的最简单有效的方法,使用渲染可变姿势、表情、照明和遮挡的多样化三维面部模型生成大量人工数据集,结合真实照片培训表现在精度和速度上优于现有方法,并可以成功地处理极端姿势变化、遮挡和光照条件。
Sep, 2017
介绍了第一种完全无监督的对变形三维图形进行对应学习的方法,通过理解自然变形的形态变化近似保持曲面的度量结构,提出了一种驱动学习过程的自然准则,从而克服了对带注释数据的需求,并取而代之的是一种纯几何标准,学习模型不分含义类别,能够利用任何类型的可变形几何数据进行训练,相对于现有的专门针对训练期间观察到的类别的监督方法,我们展示出更强的泛化能力和应用于各种具有挑战性设置的能力,在广泛的对应基准测试中展示了我们的方法,在精度、泛化能力和效率方面均超过了其他方法。
Dec, 2018
本研究提出了一种新的三维人脸重建技术,利用稀疏光度立体和单个图像的面部建模技术,通过采用语义分割技术,可以精确重构面部毛发和裸露皮肤区域,包括皱纹、眉毛、丘疹、毛孔等微小的几何细节,其表现可与电影品质制作相媲美。
Nov, 2017
通过未标定的 2D 图像在无监督的方式下重建 3D 面部,并针对稠密地标进行预测,该方法在模型大小和计算成本上优于现有方法,并在各种头部姿势和面部变化中展现了高效性。
Aug, 2023
利用几何特征实现自动拟合三维可变形模型对单个头像图像的任意姿态和光照,通过计算模型顶点和边缘像素之间的硬对应关系,优于使用软对应关系和非线性优化的旧方法
Feb, 2016
本文提出了一种将 3D 脸部几何模型在图像和模型空间联合建模的方法,通过稠密预测先回归可见面部区域的图像空间特征,再基于模型空间方法预测模型系数,最终通过融合网络将两种方法的优点结合起来,从而实现无限制情境下高鲁棒性和高精度的 3D 密集面部对齐。
May, 2023
在夜间场景、恶劣天气和季节变化等苛刻条件下进行视觉定位是一项具有挑战性的任务。本研究提出了一种新颖的定位方法,通过提取可靠的半稠密的 2D-3D 匹配点来改进相机位姿估计的准确性,即使在噪声场景中也能取得显著的成果。
Feb, 2024
本研究提出了一种深度学习方法,用于在人体的 3D 扫描之间寻找密集的对应关系,深度卷积神经网络用于训练特征描述符,通过区域分类问题解决多种问题,并验证我们的方法在真实数据和合成数据上都表现出了优异的稳定性和准确性。
Nov, 2015