ECCVSep, 2018

MobileFace：高效 CNN 回归的 3D 人脸重建

PDF
TL;DR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。
发现论文，激发创造
  • 通过直接体积 CNN 回归从单张图像中重建大规模姿态 3D 人脸模型

    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

  • 学习合成数据进行 3D 人脸重建

    本论文介绍了一种基于卷积神经网络和生成随机几乎逼真的面部图像的方法，可以通过单张照片快速、稳健地重建面部的三维几何结构，即使在极端表情和各种光照条件下也可以成功恢复面部形状。

    Sep, 2016

  • 使用深度神经网络回归具有鲁棒性和判别性的三维可塑模型

    我们提出了使用卷积神经网络进行三维面部模型重建的方法，通过大量标记数据的生成，优化了模型的准确性和稳定性，得到了超过现有方法的识别结果，实现了使用三维面部模型进行面部识别。

    Dec, 2016

  • MobileFaceNets：基于移动设备实时高准确度人脸验证的高效卷积神经网络

    本文提出了 MobileFaceNets 类的 CNN 模型，其使用不到 100 万个参数，专为移动和嵌入式设备上的高准确度实时人脸验证而设计，并成功解决了普通移动网络在人脸验证方面的弱点，达到了与数百 MB 大小的最新大型 CNN 模型相媲美的高精度和更多超过 MobileNetV2 2 倍的实际加速。

    Apr, 2018

  • 从单张图像中学习详细的人脸重建

    本文介绍了一种使用卷积神经网络构建面部几何细节的方法，包括由粗到细的两个网络模块和多阶段的训练阶段，可以从单张图像中提取面部表面。

    Nov, 2016

  • 使用移动 GPU 从单目视频实时获取面部表面几何信息

    本文提出了一种基于神经网络的端到端模型，从单个摄像头输入中推断出人脸的近似 3D 网格表示，适用于 AR 应用程序。该模型具有相对密集的 468 个顶点网格模型，非常适合基于人脸的 AR 效果。该模型在移动 GPU 上具有超级实时推断速度（100-1000+FPS，取决于设备和模型变体），并且预测质量与同一图像的手动注释的变化相当。

    Jul, 2019

  • 使用单个 CNN 进行姿态不变人脸对齐

    本文提出了一种新的 CNN 层，称为可视化层，能够与不同损失函数联合优化，减小了训练时间并提高了面部对齐的准确性。

    Jul, 2017

  • 基于深度神经网络的端对端三维人脸重建

    该篇论文提出了一种基于深度神经网络的端到端的方法来从单张 2D 人脸图像中进行三维人脸重建，并且利用了多任务损失函数和融合卷积神经网络来提高人脸表情重建的准确性。

    Apr, 2017

  • 学习强健的 3D 人脸重建及判别身份表征

    本文提出了一种使用 Siamese 卷积神经网络的 3D 人脸重建方法，采用对比损失和恒等损失来保留身份特征信息和增加不同身份之间的距离，从而提高人脸识别的准确性。实验证明，在 300W-LP 和 AFLW2000-3D 等数据库上，相较于现有技术，该方法更加有效。

    May, 2019

  • 重新审视面部关键点检测：使用深度神经网络的高效方法

    本研究旨在评估迁移学习模型，包括 MobileNetV2 和 NasNetMobile，以及自定义 CNN 体系结构，在模型大小、参数和推理时间方面开发高效的深度学习模型，并研究数据增强和微调对这些模型的影响。MobileNetV2 体系结构产生了最低的 RMSE 和推理时间，而以人工优化的 CNN 体系结构与 Auto Keras 调整的体系结构表现类似。

    May, 2022