GANFIT:基于生成对抗网络的高保真度 3D 人脸重建
本文提出了一种使用深度卷积神经网络和生成对抗网络重建人脸纹理和形状的新方法,以及一种自监督回归方法用于较快的拟合过程,展示了可生成高频细节的写实和身份保留的 3D 面部重建。
May, 2021
提出了一种基于 3D 可变形模型和生成对抗网络的面部综合模型,使用普适化方法将几何数据映射到二维平面,实现了对数字扫描的几何数据高效处理,在人类纹理参数空间中生成逼真的面部纹理和它们的对应几何图形,从而获得了新的高分辨率 3D 面孔。
Aug, 2018
本文提出了一种利用图卷积网络从单视角图像中重建具有高保真度贴图的三维人脸形状的方法,并相对于其他的现有方法具有更好的定量和定性效果。
Mar, 2020
研究使用生成的合成数据进行面部识别的训练。通过在 GAN 的产生器中引入 3D 可塑模型,实现了从实际图像中学习非线性纹理模型,从而生成新的合成身份,同时操作姿势、照明和表情,而不会影响身份。最终使用生成的数据增加现有面部识别网络的训练,性能得到改善。
Dec, 2020
本研究提出了一种新颖的 GAN 方法,可以联合生成面部纹理、形状和法向量信息,用于进行类真实面部合成。同时,我们展示了如何以面部表情为条件生成具有不同表情的面部。
Sep, 2019
本文提出了一种新型生成对抗渲染器(Generative Adversarial Renderer,简称 GAR)和用于预测 3D 面部参数的优化方法,该 GAR 利用神经渲染器而非传统的渲染规则来产生逼真图像,从而增强了训练和优化的稳定性,并在多个人脸重建数据集上取得了最新成果。
May, 2021
提出新的生成现实人脸几何结构和纹理重叠的方法,通过将几何纹理表示为图像并将其映射到单位矩形上,绕过了几何数据固有的参数化问题,使用先进的 GAN 方法生成新的几何结构,并提出将纹理和几何之间的关系匹配来保持高质量的真实感,证明了该方法的生成模型具有独立于训练数据的新身份的能力。
Jan, 2019
利用深度卷积神经网络提取中层特征,从高分辨率人脸数据库中拟合特征的凸组合,从而生成 photorealistic texture map,以实现从低分辨率输入图像中合成高逼真度的 3D 人脸渲染模型,并进行了广泛的验证。
Dec, 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