CVPRJun, 2021

基于鲁棒性模型的面部重建技术研究 - 弱监督条件下的离群点分割

PDF
TL;DR本研究旨在通过避免拟合模型的异常值，即无法通过模型很好地表达的区域（如遮挡物或化妆品）来增强基于模型的人脸重建。为了解决本问题，我们提出了一种名为 FOCUS 的联合人脸自编码器和异常值分割方法。我们的实验表明，FOCUS 在所有没有 3D 注释训练的基线中实现了 SOTA3D 人脸重建性能，并且分割网络可以准确地定位遮挡物，尽管没有任何分割注释。
model-based face reconstructionoutliersfocusface-autoencodersegmentation network
发现论文，激发创造
  • 分割重构引导的面部图像去遮挡

    本研究提出了一种基于人脸分割和三维人脸重建的面部去遮挡模型，通过预测面部先验和遮挡掩码实现了对所有种类的面部遮挡（包括毛发等较模糊的边界）的自动去除，并为了监督训练进一步构建了一个大型遮挡数据集。实验证明，该方法有效且鲁棒。

    Dec, 2021

  • 弱监督学习下的精确三维人脸重构：从单张图像到图像集

    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

  • 3FabRec: 基于重构的快速小样本人脸对齐

    本文提出了一种基于半监督学习的方法，其思想是通过无监督学习生成脸部特征并使用转移学习的方式实现面部特征检测，该模型表现出广泛的适应性和高精度，并且在只有十个训练图片的情况下也能保持较高的准确率。

    Nov, 2019

  • DFR: 无监督异常分割的深度特征重建

    本文提出了一种基于无监督分割的异常检测方法，使用多尺度区域特征生成器从预训练的深度卷积网络中生成描述子区域的特征，借助这些特征设计一个深度自编码器并通过快速特征重建对图像中的异常区域进行检测，该方法在多个基准数据集上取得了最新技术进展，并具有实际应用潜力。

    Dec, 2020

  • 扰动生成模型中物体分割的出现

    本文介绍了一种无需人工注释即可学习如何从图像集合中分割对象的模型构建框架，通过训练分层场景的生成模型和特征向量编码器，结合阈值分割技术实现了真实图像中多类物体的自动识别与分割。

    May, 2019

  • 通过处理遮挡实现鲁棒的集成人员重识别的正交融合

    通过使用集成模型和深度神经网络结构，提出了一种在人员重新识别中处理遮挡的方法，该方法在低分辨率边缘摄像头上能够生成稳健的特征表示。实验结果表明，所提出的方法具有竞争力的排名 - 1 和 mAP 表现。

    Mar, 2024

  • Latents2Segments：分离生成模型的潜在空间，用于面部图像的语义分割

    本研究通过将 facial semantic ROIs 的语义划分和潜在的 Generative Autoencoder 模型相结合，实现了对面部图像语义细分的优化后任务，并在 CelebAMask-HQ 和 HELEN 数据集上展示了它比当前最先进的 works 具有更好的性能表现。

    Jul, 2022

  • 面部对齐，鲁棒姿态、表情和遮挡

    研究提出了一种基于鲁棒受限局部模型的集成，用于面部对齐，可以在存在显着遮挡和任何未知的姿势和表情的情况下实现。通过假设和测试搜索来评估 occlusion，结果表明在测试集中表现出一定的鲁棒性。

    Jul, 2017

  • 基于自编码器的背景重建和前景分割及背景噪声估计

    本文提出了一种使用自编码器模拟场景背景的低维流形，通过与原始图像进行对比实现前景 / 背景分割，自编码器同时用于预测背景噪音，从而计算每一帧的像素相关阈值进行前景分割。该模型在 CDNet 2014 和 LASIESTA 数据集上超越了现有技术，且能够在某些非视频图像数据集上实现背景重构。

    Dec, 2021

  • 掩码级别识别对于异常感知分割的优势

    在密集识别任务中，采用基于掩码预测的方法可以有效提高对异常情况的识别性能，该方法有效减少了边界处的假阳性响应。在无负面数据训练的情况下，该方法在 outlier-aware 语义分割任务中取得了最新的最佳性能，并在最近的 panoptic setup 中取得了进一步的性能提升。

    Jan, 2023