本文提出了一种新的框架以学习从大量野外人脸图像中学习非线性 3DMM 模型,该模型可以用于面部对齐,3D 重建和面部编辑。
Aug, 2018
本文提出了一种从大量非约束人脸图像中学习非线性 3D Morphable Model 的创新框架,该模型拥有比线性模型更强大的表示能力,并对人脸对齐和 3D 重建做出了贡献。
Apr, 2018
本文提出了首个深度隐式三维可微形变模型(i3DMM),该模型不仅捕捉了前部人脸的特定身份几何、纹理和表情,还模拟了包括头发在内的整个头部。使用一种新的设计,将形状与颜色分离来学习密集的对应关系,最终展示了 i3DMM 的优点及其应用。
Nov, 2020
本文提出了一种利用图卷积网络从单视角图像中重建具有高保真度贴图的三维人脸形状的方法,并相对于其他的现有方法具有更好的定量和定性效果。
Mar, 2020
本文提出一种新的 3D 人头模型,融合现有的人脸模型和头部模型并加入耳朵,眼睛,牙齿,舌头等特征的模型,实现了最新的复原效果,并可以从单张图片重现整个头部的表面特征参数。
Nov, 2019
本研究提出一种自动化游戏角色面部创建方法,可以预测面部形状和纹理,并可以整合到大多数现有的三维游戏中,超越目前游戏中使用的最先进的方法
Feb, 2021
本文提出了两种方法,一种是使用回归器来完成一个模型缺失部分的替换,另一种是使用高斯过程框架来融合多个模型的协方差矩阵,使用这些方法成功地构建了一个新的面部和头部形状模型,并通过与 FaceWarehouse blendshapes 结合使用该模型进行了图像重建实验,达到了最先进性能,并且在头部建模方面表现出了较大的优势。
Mar, 2019
我们提出了使用卷积神经网络进行三维面部模型重建的方法,通过大量标记数据的生成,优化了模型的准确性和稳定性,得到了超过现有方法的识别结果,实现了使用三维面部模型进行面部识别。
Dec, 2016
提出了一种名为 IMavatar 的新方法,可以从单目视频中生成隐式头像。通过学习混合形状和蒙皮场来表示表情和姿势相关的变形,使得这些属性可以用于完成新表情和姿态下的几何和纹理场的变形,并通过光线行进和迭代根查找,为每个像素定位规范表面交点,从而实现了头像的生成,并通过端到端的训练,得出了比现有技术更完整的表情空间和几何形状。
Dec, 2021
本篇研究利用基于深度学习的自编码器构建了一种新型 3DMM 模型,用于实现低计算复杂度下的面部重建及颜色渲染。
Apr, 2019