GridFace: 通过学习局部单应性变换进行人脸校正
InverseFaceNet是一种基于深度卷积反渲染框架的新方法,可以实时地从单个输入图像中同时估计人脸的姿态、形状、表情、反射和照明,通过利用深度神经网络训练,结合实时的外观编辑和重新照明等高级处理技术,实现了高质量、高度还原的人脸重建。
Mar, 2017
本论文提出了一种基于联合学习参数人脸模型和面部形状、表情、反射和照明的回归器的方法,其结合了3D可塑模型(3D Morphable Model)的优点和学习校正空间的空外推广优点。
Dec, 2017
本文提出了一种可控制特定人脸的姿态和表情的神经网络模型,可以使用另一个面部或模态(如音频)进行控制,以实现轻量、复杂的视频和图像编辑,并且可以通过其他模态的驱动生成过程,而无需对网络进行进一步的训练。
Jul, 2018
本文介绍了一种基于多视角捕捉技术,利用深度变分自编码器来学习人脸的几何结构和外观特征联合表示,可实现对大规模、高度复杂的人脸几何结构的完美表现,从而能够适用于实时互动场景,例如虚拟现实 (VR)应用。
Aug, 2018
利用多帧视频自我监督训练深度网络,学习面部身份模型并同时重建3D面部,采用新的多帧一致性损失函数使得 consistent shape和appearance 尽量减小深度不确定性,从而实现单目和多帧重建。
Dec, 2018
本文介绍了一种名为RetinaFace的检测器,采用联合额外监督和自监督多任务学习,在各种尺度的人脸上实现了像素级别的人脸定位,并采用 5 个额外的面部标记,取得了显著的性能提升。
May, 2019
本研究针对现有的面部修复技术的限制,提出了一种名为Face Renovation(FR)的语义引导生成方法,并采用协同抑制补充(CSR)策略解决这个更具挑战性和实际问题,最终构建了多阶段嵌套CSR单元的HiFaceGAN。实验证明,HiFaceGAN在包含丰富背景干扰的真实图像中具有出色的修复性能,展示了其在面部图像处理中的多用途、稳健性和泛化能力。
May, 2020
本研究提出了一种基于自监督学习的方法,通过图像和视频数据学习脸部特征的完整 3D 模型,实现了环境无关的单目重建,并训练出能够更好地推广和提高图像重建质量的表情基础等方面的面部模型。
Oct, 2020
本文提出一种从单目图像重建可操纵三维面部的方法,通过嵌入不同的网络优化,共同估计个性化面部的骨骼系统和包括表情,姿势和照明在内的每个图像的参数。该模型用深度学习数据驱动先验约束单目设置的面部重建,实现了 SOTA 重建准确度,并支持标准面部 Rig 应用。
Apr, 2021
通过使用阴影线索,我们提出了一种新的适用于单目人脸捕捉的感知形状损失函数,该函数能够评估3D人脸估计的质量,并且能够优化单目3D人脸重建和深度神经网络回归,提高当前技术水平的结果。
Oct, 2023