单图像照片逼真面部细节合成
提供了一种细致的人脸操作方法,利用三维人脸模型和分离出质地和形状的方法进行纹理和形状不同表情的构建,进而通过生成网络和全连接网络实现表情的合成和准确形状的预测,获得了优越的结果,并被 85% 的用户优先选择,并且在 53% 的情况下,注释员无法可靠地区分合成的图像和真实图像的差别。
Feb, 2019
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
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
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
本文提出一种几何引导生成对抗网络 (G2-GAN),通过面部几何条件(标识点)来引导特定表情的面部纹理合成,实现逼真的与身份保护面部表情合成,并取得了良好的实验效果。
Dec, 2017
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
本文通过神经网络模拟超分辨率框架,可以实现将低成本、实时物理模拟产生的面部表现有效、逼真地提升到接近高分辨率(我们例子中元素数量高出 26 倍)的参考质量,同时补偿了实时模拟的限制和成本削减近似的建模差异,不需要提供任何语义描述符或参数,除了实时模拟的结果。
May, 2023
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