Marcel Lüthi, Christoph Jud, Thomas Gerig, Thomas Vetter
TL;DR本文提出了一种新的广义形状模型 Gaussian Process Morphable Models (GPMMs)，采用高斯过程来建模形状变化，结合主成分分析等方法，可以用于非刚性配准和基于模型的分割任务。
Abstract
statistical shape models (SSMs) represent a class of shapes as a normal
distribution of point variations, whose parameters are estimated from example
shapes. principal component analysis (PCA) is applied to obtai
本文提出了一种基于高斯过程的新型开源面部配准管道以及其对面部图像分析的应用。通过引入面部对称性、多尺度和空间变化细节，该配准策略和建模技术可以应用于中性面部和面部表情，帮助构建三维可塑面部模型。同时，还发布了 BFM-2017 的新版本，其中包括更好的年龄分布和额外的面部表情模型，其开源软件框架及其实现的 AU 分析与综合模型适应（Analysis-by-Synthesis model adaption）已在多 PIE 和 LFW 数据库上进行了测试。
提出一种可扩展的高斯过程模型，用于确定和表征平滑多维变化点，并自动学习表达协方差结构中的变化。通过 Random Kitchen Sink 特征来灵活地定义变化表面，结合表现力强的谱混合核来捕获复杂的统计结构，最后通过新颖的加性非可分离核方法，可以将模型扩展到大型数据集。我们在数值和实际数据上演示了该模型，包括一个大型时空疾病数据集，在其中确定了先前未知的空间和时间异质性变化。