通过分离三维表情与身份来实现野外实时面部表情识别

May, 2020

通过分离三维表情与身份来实现野外实时面部表情识别

Real-time Facial Expression Recognition "In The Wild'' by Disentangling 3D Expression from Identity

Mohammad Rami Koujan, Luma Alharbawee, Giorgos Giannakakis, Nicolas Pugeault, Anastasios Roussos

TL;DR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。

Abstract

Human emotions analysis has been the focus of many studies, especially in the field of affective computing, and is important for many applications, e.g. human-computer intelligent interaction, stress analysis, interactive games, animations, etc. Solutions for automatic →

emotion analysis affective computing deep learning convolutional neural network facial expressions

发现论文，激发创造

学习生成定制的动态三维面部表情

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

神经情感导演：在野外视频中保留语音的语义控制面部表情

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

使用神经网络进行挑战人群面部表情的情感识别

这篇论文提出了一种通过图像进行面部表情的深度分类方法，采用了深度前馈人工神经网络。该方法可用于良好的应用，包括视觉检查和安全措施。

May, 2023

面部表情识别中 RGB、3D、热像和多模态方法综述：历史、趋势及情感相关应用

本文综述了关于自动 RGB，3D，热成像和多模式面部表情分析的研究，定义了新的分类法并描述和分类了最先进的方法，同时呈现了重要数据集和基准测试。作者对当前的趋势、重要问题和未来研究方向进行了总结讨论。

Jun, 2016

从互联网上的面部表情识别

本研究使用深度神经网络和噪声建模技术，在野外环境中准确识别面部表情，并实现基于网络图片的面部表情识别准确率达 82.12%。

May, 2016

基于深度神经网络视频融合的面部表情分类 —— 第三届 ABAW3 竞赛

本研究使用 Transformer 机制，结合鲁棒表示编码和表示融合进行表情分类，结果表明该模型在 Aff-Wild2 数据集上表现有效。

Mar, 2022

从视频中感知语音的视觉三维面部表情重建

本文介绍了一种基于视觉的、口型感知的三维口部表情重建方法，该方法不需要任何文本转录或对应音频，并使用 “lipread” 损失来指导拟合过程，以使三维重建的头部运动与原始视频片段的感知相似。此外，通过三个大规模数据集的详尽客观评估和两个基于网络的用户研究的主观评估，我们证明了该方法的有效性。

Jul, 2022

面部视频的深度语义处理

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

EmotioNet 挑战：在野外识别面部情感表达

本文介绍了 EmotioNet 挑战的方法和结果，其中第一项挑战测试了当前计算机视觉算法在自动检测表情动作单元（AU）方面的能力，第二项挑战测试了算法在面部表情图像的情感分类方面的能力，研究表明当前机器学习算法在这两个任务中无法可靠地解决问题，计算机视觉算法在检测动作单元时的效果比检测情感分类时的效果要好。

Mar, 2017

使用深度学习识别面部微表情的人物识别

本研究旨在探究面部微表情作为软生物识别的有效性并提出一种深度学习的方法来提高其在人体识别方面的应用，实验结果显示该方法与现有的基准相比，可以显著提高识别准确性。

Jun, 2023