MobileFace:高效 CNN 回归的 3D 人脸重建
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
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
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
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
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
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
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
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