该研究提出了一种新方法,可以通过输入视频实现人像视频的逼真的重新动画制作,在此过程中将源演员的全面影响转移到目标演员的画像上。
May, 2018
利用 3D 几何和生成对抗网络设计了一种新的深度学习架构,用于实现面部和头部再现任务,通过全新的序列生成器和动态判别器网络,可以以几乎实时的速度(18 fps)以逼真和忠实的方式成功转移来自源视频的面部表情、头部姿态和眼神到目标主体中。
Jun, 2020
提出了一种新颖的轻松适应管道 head2headFS,可以将源人的表情和整个头部姿势高质量地转移到目标人,使用源的密集 3D 面部形状信息来调节目标人的合成,fine-tuning 自适应多人数据集训练的通用生成器为个人特定的生成器,具有 few-shot learning 功能。
Mar, 2021
Face2Face 是一种用于实时面部复刻的创新方法,可以通过非刚性基于模型的束缚,跟踪面部表情,实现来自单眼录制的目标视频序列的面部表情的动画化,并以逼真的方式重新渲染操作后的输出视频。
Jul, 2020
本文提出了一种新的面部再现的机器学习架构,该方法利用卷积神经网络进行特征提取及实现面部运动,注重嘴部及时间一致性,实现了将源角色的面部表情、姿势和视线传输到目标视频中,比现有技术更精确地展现了真实人像。
May, 2020
提出了一种基于图像的面部再现系统,其可用于将源视频用户的面孔替换为现有目标视频中演员的面孔,并保留原始目标性能,系统具有全自动化和不需要源表情数据库的特点,使用了图像检索和面部转移以产生令人信服的效果。
Feb, 2016
使用预训练的 StyleGAN2 生成器,结合超网络技术,我们的神经脸部再现方法 HyperReenact 在一次性条件下,实现了逼真的说话头部图像的生成,消除了外部编辑方法通常产生的伪影,并具有出色的鲁棒性,甚至在极端头部姿势变化下也表现出卓越的性能。
Jul, 2023
本文提出了一种基于 3D 面部表示的 HeadGAN 新系统,可以从任何驱动视频中提取,并适应于任何参考图像的面部几何形状,从而解决头部再现问题。通过利用音频特征作为补充输入,进一步改善嘴部运动,并将身份与表情分离,使其具有压缩和重建、表情和姿势编辑的功能。
Dec, 2020
我们提出了神经头像,该方法能够显式建模动画人物头像的表面几何形状和外观,是虚拟现实和其他电影或游戏应用中数字人物的一种有效表示方法,它能够从单目 RGB 人像视频中学习,能够精确地外推到未知姿态和观察角度,并产生自然的表情和清晰的纹理细节。
Dec, 2021
提出了一种基于图像的新方法 FaceVR,该方法可基于自我再现实现 VR 视频会议,通过实时面部动作捕捉算法和单目视频的新数据驱动方法,FaceVR 具备近乎逼真的成像效果和改变面部表情和目光方向的功能。
Oct, 2016