适用于眼镜的人脸合成技术在人脸识别中的应用
本文提出了一种新的框架,以检测和去除肖像图像中眼镜及其产生的阴影,通过使用合成肖像数据集,并应用跨域技术,该方法为第一种同时去除眼镜和阴影的技术。
Mar, 2022
本研究提出了基于单目三维面部重建的合成凝视估计训练数据的新方法,利用投影匹配过程,配合掩码引导凝视估计模型和数据增强策略,显著提高了在具有非重叠凝视分布的跨数据集环境下的估计性能。
Jan, 2022
本文提出了一种名为 Eyeglasses Removal Generative Adversarial Network (ERGAN) 的统一眼镜去除模型,它能够处理野外环境中的各种眼镜类型,为面部识别、面部表情识别等多种应用提供了前处理方法。
Sep, 2019
本文提出了一种名为 ByeGlassesGAN 的基于图像对图像的 GAN 框架,可自动检测眼镜位置并从人脸图像中去除眼镜,实验结果表明该方法在处理透明颜色眼镜或有光斑的眼镜时能够提供视觉上令人满意的去镜人脸图像,并且在人脸识别实验中应用该方法作为预处理步骤,可提高戴眼镜人脸图像的识别准确率。
Aug, 2020
我们提出了 VIGFace,一种新颖的框架,通过在特征空间上使用扩散模型生成合成人脸图像,解决了深度学习人脸识别中的巨大数据集和隐私问题,并实现了从两个方面取得的最新成果。
Mar, 2024
本研究使用 3D 可变形面部模型,通过合成数据生成具有不同面部身份和完全控制的姿态、光照和背景的图像,观察到利用合成数据可以显著降低对真实世界图像需求,在预训练后,通过微调真实图像,合成数据与真实数据相结合的模型可获得更高的性能,而且并没有负面影响。
Feb, 2018
使用人工神经网络建立了一个模块化系统,通过对分别裁剪的眼睛进行估计,利用人脸检测和头部姿势估计组件,无需特殊硬件或红外滤光片,仅使用内置 RGB 相机进行人眼注视估计,通过包含大量合成数据集在训练模型中,达到了比相关方法更高的准确度。
Nov, 2023
本文介绍了使用合成人脸图像的方法解决现实世界人脸识别中困难的问题,并提出了 SynFace,探讨了训练人工合成和真实图像的最新人脸识别模型之间的性能差距及其原因,并提出了 identity mixup 和 domain mixup 方法来缓解性能差距。此外,对于人工合成的图像,本文还对姿态,表情,光照等因素进行了实验分析,提供了几种有效利用合成数据进行人脸识别的方法。
Aug, 2021