使用单个 CNN 进行姿态不变人脸对齐
本文提出一种新的面部对齐算法,利用 3D 可变形模型和级联耦合回归器,估计带有任意姿态的人脸图像的 2D 和 3D 地标及其 2D 可视性。实验结果表明,该算法在所有姿态人脸图像上的表现优于现有方法。
Jun, 2015
本论文提出了使用卷积神经网络(CNN)对具有 2D 影像和 3D 面部模型或扫描的适当数据集进行训练,以实现单个 2D 面部图像的三维面部几何重建,避免了模型建立和拟合的复杂流程,并演示了如何将面部标志定位集成到所提出的框架中,帮助提高重建质量。
Mar, 2017
通过深度学习的多任务方法,提出了一种可以同时处理头部姿势、人脸对准和可见性的网络结构,相比现有技术,在头部姿势和可见性方面均取得了最佳表现,在人脸对准方面也达到了和现有技术同等的状态。
Feb, 2022
提出了一种新的 3D 密集面部对齐框架 (3DDFA),通过卷积神经网络 (CNN) 将密集的 3D 面部模型拟合到图像中,解决了面部对齐中的圆形视图问题,面部外观变化剧烈问题和面部关键点标记困难问题,并通过在 profile 视图下合成大规模训练样本来解决关键点标记困难问题,并在具有挑战性的 AFLW 数据库上实验,证明我们的方法明显优于现有最先进方法。
Nov, 2015
使用多个面向姿态的深度学习模型进行人脸识别,其中处理面部图像生成多个具有不同姿态特点的卷积神经网络特征,并使用这些特征的集合来减少对姿势变化的敏感性。在多个实验中,我们展示了该方法在人脸识别任务的表现优于现有技术。
Mar, 2016
本文提出了一种利用紧凑、快速的 CNN 模型在移动设备上实现实时重构的方法,通过使用传统的形态模型自动注释大量图像以供 CNN 训练,并优化 MobileNet CNNs 模型以改进速度、模型大小和保持最先进的重构精度。
Sep, 2018
本文提出了一种名为 PCD-CNN 的单一树突 CNN,使用分类网络和模块化分类网络训练,并通过贝叶斯公式显式解缠图像姿态与面部肢解点。经过广泛实验表明,本论文的方法能够通过姿态编码减少错误率,优于目前极具挑战性数据集的最先进方法(如 AFLW,AFW,COFW 和 IBUG)15%的误差。
Feb, 2018