通过野外 2D 面部图像辅助单张图像的 3D 面部重建
本文提出了一种使用深度学习技术进行 3D 面部重建的新方法,其中使用了混合损失函数进行弱监督学习,同时利用多个图像进行面部重建,实现了快速、准确、鲁棒的重建效果,对不同数据集进行了综合实验,并与 15 种现有方法进行了比较,证明了其性能处于领先地位。
Mar, 2019
本研究提出了一种新的方法,使用粗到细的优化策略,从不受限制的 2D 图像中重建 3D 人脸,包括利用基于示例的双线性人脸模型生成光滑的粗糙 3D 人脸,使用局部修正变形场对其进行精细化处理和使用形状 - 从 - 阴影方法恢复细节,实现了真实世界模型和公共可用数据集的精度和细节恢复方面的领先水平。
Feb, 2017
本文提出了一种基于 end-to-end learning 的学习框架,可用于从单个图像中详细地三维重建人脸,不需要传统方法计算的替代地面真值 3D 模型的监督,而是利用输入图像本身作为监督。
Oct, 2019
本文旨在提出一种解决由于深度歧义和遮挡而导致的从单个图像推断三维物体结构的无监督方法 ——Unsupervised 2D 到 Explicit 3D Style Transfer (UE3DST),我们提出了一个通用的对抗学习框架,通过将 Wu 等人的无监督明确 3D 重建网络和 StarGAN-v2 之类的生成对抗网络 (GAN) 进行合并,我们在三个面部数据集 (Basel Face Model、3DFAW 和 CelebA-HQ) 上进行实验,结果表明我们的解决方案能够胜过 DepthNet 在 3D 重建和 Pix2NeRF 在条件样式转移方面已经建立的解决方案,相比之下,我们的方案产生了用于明确 3D 渲染的特征,可以在下游任务中进行操作和利用。
Apr, 2023
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
提出了一种深度学习技术,用于从单个图像进行三维物体重建。与以往的方法不同的是,该方法使用只有单一视角的图像进行训练,并具有自我监督学习能力,可实现与使用更多监督信息的方法相媲美的性能。该方法还可以进行测试时间优化。
May, 2020
本文提供一种基于学习的方法来从单个肖像图像中恢复人头的 3D 几何形状,并且使用参数化 3D 人脸模型来表示头部几何形状以及其他头部区域的深度图,同时使用双目立体匹配方法从具有野外人脸的图像中学习头发和耳朵的几何信息,最后,评估和对比结果表明该方法可以产生高保真的 3D 头部几何形态和头部姿态操作结果。
Apr, 2020
提出了一种从单个三维网格构建生成模型并通过无监督低级别学习从二维图像中改进的方法,该方法生成了一个 3D 可变形模型,该模型由高斯过程表示形状和色调,从单个扫描或模板构建 3D 可变形模型的方法比以往的方法更优秀, 并已在面部领域得到了证明。
Mar, 2022
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
通过弱监督的方法,使用对抗框架和随机投影层来提高 3D 姿势估计的精确度,该方法不需要 2D 和 3D 点之间的对应关系。实验结果表明该方法在人体 3D 姿势估计任务上表现优秀。
Aug, 2018