该论文提出了一种高保真度姿态不变模型,通过新颖的纹理扭曲过程和密集对应场来实现面部物体模型的正面化,以及利用深度网络进行面部纹理映射的恢复,从而提高姿态不变的人脸识别性能并显著改善了高分辨率的面部正面化外观。
Jun, 2018
本文提出了一种新的和统一的框架,使用潜在映射器在 StyleGAN 的潜在空间中分析和发现前端映射,从而一次性生成具有典型视角的风格化肖像。
May, 2022
本文提出了一种利用深度学习中的 3D 可塑模型进行面部正面化的生成式对抗网络,可以有效提高识别率和处理不同姿势的面部图像。
Apr, 2017
该论文提出了一种生成正面中性面部图像的方法,通过从面部识别网络提取的特征来生成面部标记和纹理。通过不变性编码特征向量,使用只包含正面中性照片来训练解码器网络,解码器独立预测标记和纹理,然后使用可微分图像变形操作将它们组合在一起,最终得到可以用于多种应用的合成图像。
Jan, 2017
本文提出了一种新的双重关注生成敌对网络(DA-GAN)来实现逼真的人脸正面效果生成,它结合了自注意力机制和面部注意力机制,使得生成的前面部分的人脸更加真实,具有更精细的面部外观和纹理信息,并在定量和定性实验中取得了良好的表现。
Feb, 2020
本文提出了一种基于 TP-GAN 网络的真实主观正面合成方法,通过引入对局部纹理的注意力网络,并结合对称损失、身份保留损失等方式来解决这个本质上存在不确定性的挑战性问题。实验结果表明,该方法不仅在感知结果上表现出色,而且在大角度人脸识别方面也优于现有的最新方法。
提出了一种可控人脸合成模型,通过在样式潜空间中模拟目标数据集的分布,实现在非受限环境下的面部识别(FR)任务,并可指导合成图像的 FR 模型训练,获得了在 IJB-B、IJB-C、TinyFace 和 IJB-S 等非受限测试基准上的显著性能提升(+5.76% Rank1)
Jul, 2022
该研究提出了一种通过采用分层方法解决 3D 面部重建过程中的整体形状、中层细节和局部细节估计间的复杂关系,以应对不正面、非平面旋转和遮挡等极端条件,进而实现高质量面部重建。
Dec, 2017
本文提出了一种称为边值增长算法的方法,通过光度立体约束从互联网上下载的名人照片中逐渐构建头部模型,以实现三维人脸重建,同时避免面部外胚层区域构建错误而导致的现有技术偏差。
Sep, 2018
eMotion-GAN 是一种深度学习方法,用于前视合成并保留面部表情,在处理头部姿势变化时显著提高面部表情识别 (FER) 系统的性能。
Apr, 2024