Aug, 2017

FacePoseNet：提出无需关键点的人脸姿态校正方法

PDF
TL;DR通过卷积神经网络在图像强度的作用下，直接准确和稳定地回归头部在三维中的六自由度姿态，进而使用该 FacePoseNet (FPN) 通过替代显式面部标志检测的方法在二维和三维中对齐面部，我们发现在许多情况下，基准检测准确性可能会误导面部对齐方法的比较。我们的 FPN 方法提供了比现有方法更好的 2D 和 3D 面部对齐，并且耗费的计算资源相对较小，是目前用于面部对齐的更快速和准确的方法。同时，我们使用相同的识别管道但不同的面部对齐方法来评估它们对 IJB-A 和 IJB-B 基准测试的面部识别准确性的影响。
convolutional neural networkface alignmentfacial landmark detectionhead poseface recognition
发现论文，激发创造
  • img2pose: 基于 6DoF 的人脸姿态估计，面部对齐和检测

    本文提出了一种实时的、无需面部检测或关键点定位的六自由度、三维人脸姿态估计方法，使用了 Faster R-CNN 模型将六自由度位姿回归给图像中所有的脸部，并展示了该方法在 AFLW2000-3D 和 BIWI 数据集上的优越性能。

    Dec, 2020

  • 通过融合头部姿态信息和特征实现的 3D 面部对齐

    本研究提出了一种新方法，通过将头部姿势信息与面部定位网络的特征图相融合，改进了面部定位的性能。此外，所提出的网络结构通过使用 2D 特征图和 3D 热图表示的多维特征，在双维度网络中实现了鲁棒的面部定位。为了有效地进行密集面部定位，我们还提出了基于知识蒸馏的训练方法，用于通过预测关键点来预测面部几何标记。通过实验评估了预测的面部标记与头部姿势信息之间的相关性，以及面部标记的准确性与头部姿势信息的质量之间的变化。此外，我们还在 AFLW2000-3D、AFLW 和 BIWI 数据集上与最先进的方法进行了竞争性性能比较，证明了所提方法的有效性。

    Aug, 2023

  • 野外多视图人脸对齐

    本文提出了一种联合多视角卷积网络，用于处理野外环境下面部姿态的大幅度变化，并优雅地桥接面部检测和面部标记定位任务，该方法对于半正面和侧面脸可检测和对齐大量关键点，并在多个数据集上证明了对于面部追踪和面部检测的显著改进。

    Aug, 2017

  • 姿态不变的 3D 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

  • 跨大姿态的人脸对齐：一种三维解决方案

    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

  • 密集人脸对齐

    本文提出一种利用 CNN 进行 3D 面部形状估计的方法，实现了对于姿态变化较大的大角度面部图像的高精度、稠密三维对齐。

    Sep, 2017

  • 人脸联合对齐及三维面部重建在人脸识别中的应用

    提出了一种新的联合人脸对齐和三维人脸重建方法，该方法可以自动生成姿态和表情归一化的三维人脸，并能恢复可见和不可见的二维人脸关键点，从而可以改善跨姿态和表情的人脸识别准确性。实验结果表明，该方法在人脸对齐和三维人脸重建方面均达到了最先进的精度。

    Aug, 2017

  • PoseFace: 面部识别的姿态不变特征与姿态自适应损失

    该论文提出了一个有效的 PoseFace 框架，它利用人脸特征点来解开姿势不变特征，并利用姿势自适应损失处理训练期间的数据不平衡问题，这在 Multi-PIE、CFP、CPLFW 和 IJB 等基准测试中展现了优越性。

    Jul, 2021

  • 使用多任务级联卷积网络进行联合人脸检测和对齐

    该论文提出了一个采用深度级联多任务框架的人脸检测和对齐方法，利用深度学习及在线难样本挖掘等技术，在 FDDB、WIDER FACE 和 AFLW 等基准测试中取得了优于同类算法的高准确度和实时性能。

    Apr, 2016

  • 全姿态范围下的人脸对齐：三维全方位解决方案

    本文提出了一种新的面部对齐框架，称为 3D Dense Face Alignment (3DDFA)，其中使用级联卷积神经网络将密集 3D 可变形模型（3DMM）配合到图像中。本文还利用 3D 信息合成正面视图和侧面视图的面部图像以提供丰富的样本进行训练。在具有挑战性的 AFLW 数据库上的实验表明，所提出的方法比现有技术取得了显着的进步。

    Apr, 2018