情感空间下的逼真人脸合成
本文提出了一种新的方法,用于合成面部情感,接受中性 2D 人脸图像、基本面部表情或 VA 头像建议,以及 2D VA 空间中的路径作为输入,采用 3D 可变模型,对中性人脸图像进行形变和添加颜色,使生成的面孔带有特定情感,用于数据增强和深度神经网络的联调。
Nov, 2018
本文提出了一种基于神经渲染和基于 3D 面部表情建模的方法,支持语义视频操作,可以通过改变和控制面部表情实现交互式操作,实现了有希望的逼真效果,并且引入了用户友好的交互 AI 工具,可以处理关于特定部分的输入视频中期望的表情操作的可读的语义标签,并合成逼真的操作视频。
Nov, 2021
本论文介绍了 4DFAB 这个新的大型动态高分辨率 3D 人脸数据库的构建与多种应用,包括但不限于面部表情识别、行为生物特征识别、强力面部行为混合形状参数化模型的学习等,该数据库可公开获取以作进一步研究目的。
Dec, 2017
该研究收集并准备公开发布了一个名为 AffectNet 的数据库,包含 100 多万张网络图片,其中大约半数手动注释了 7 种离散面部表情和不同情绪模型的愉悦和唤起度强度,并使用两个深度神经网络对分类模型的图像进行分类和预测情感的愉悦和唤起度强度。
Aug, 2017
本文提出了一种基于 3D 形态模型的面部图像综合框架,可以通过给定目标 AU 标签生成生成新的表情参数和面部图像来增强面部表情识别数据,并在基准 DISFA 数据集上表现出良好的增强效果和 AU 强度估计性能。
Feb, 2018
本文研究应用深度学习技术将单张静态图片转化为逼真的三维动画,重点探究四维面部表情的生成。作者运用一种称为深度网格编码器 - 解码器的技术,结合表情识别模型,以高分辨率的四维扫描数据集为基础,成功地实现了对面部表情的高度逼真合成,且具有较好地泛化能力。该研究是首次尝试解决四维面部表情合成的问题。
Jul, 2020
本研究提出了一种基于深度学习和面部视频数据的情感检测方法,使用 Convolutional Neural Network 训练一个能够估计三维表情模型参数的模型,并结合情感分类器,能够高效准确地从动态图像中识别面部表情,且在基本情感和压力情感的识别任务中超过了其他方法。
May, 2020
本文介绍了一种新颖的深度学习方法,用于对 “野外” 视频中演员情绪状态的逼真操作。该方法基于演员输入场景中的参数化 3D 面部表示,并使用新颖的深度域转换框架,结合动态信息,以一致而可信的方式改变面部表情。经过广泛的定性和定量评估和比较,我们的方法证明了其有效性并取得了尤为有前途的结果。该方法可应用于电影后期制作、视频游戏和逼真的情感化头像等各种领域。
Dec, 2021
通过在 3DMM 的深度图中采样生成的稳定扩散模型对人脸图像进行生成,利用丰富的 2D 面部信息提供 3D 空间信息,形成 SynthFace,并在此基础上训练的神经网络 ControlFace,在 NoW 基准测试上实现了竞争性能。
Jul, 2023