人脸度量重建研究
本论文主要研究从单个图像中恢复人的高度,采用机器学习模型结合人体解剖学的相关特征进行估计,构建了一个新的数据集,通过人脸识别和分配一致性将明确的高度标签扩展到更多的图像,并获得了 5.56cm 的平均绝对误差。
May, 2018
本文综述了过去十年中提出的三维人脸重建方法,重点关注了那些只使用在不受控制条件下捕获的二维图片的方法。分类基于用于添加先验知识的技术,考虑了统计模型拟合、光度计和深度学习这三种主要策略,并分别审查了每种策略。我们发现,深度学习策略正在迅速增长,取代了广泛的统计模型拟合策略。相比之下,光度学方法的数量较少,因为需要强烈的基本假设来限制质量。此外,本文还确定了当前的挑战,并提出了未来研究的方向。
Nov, 2020
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
提出了一种深度度量学习方法,使用可训练的比例值来修正嵌入空间中的相似性,从而达到识别结果的不确定性评估,进而证明了该方法在人脸识别和文本到图像检索等方面的准确性和有效性。
Sep, 2022
使用 Image-to-Image 翻译网络将输入图像及其深度图及面部对应图映射起来,可通过几何细化过程提供多种严格的人脸重建,只需在合成数据上训练即可对本地面部图像进行精确和鲁棒的重建。
Mar, 2017
利用多帧视频自我监督训练深度网络,学习面部身份模型并同时重建 3D 面部,采用新的多帧一致性损失函数使得 consistent shape 和 appearance 尽量减小深度不确定性,从而实现单目和多帧重建。
Dec, 2018
提出一种新模型 HumanMeshNet,它在多分支、多任务设置下,通过回归模板网格的顶点以及使用三维骨架位置进行规则化,隐式地学习了网格表示,从而实现虚拟、增强现实平台、动画行业、电子商务领域等方面的实时重建,并在三个公开数据集上展示了可比较的表面精度和关节误差性能。
Aug, 2019
通过采集互联网上的时尚模特图片和一小部分人体测量数据,以及用于各种三维身体网格的语言形状属性,我们训练了一种名为 SHAPY 的神经网络,该模型可从 RGB 图像中回归出三维人物的姿态以及形状。在新的 HBW 数据集上进行测试,SHAPY 在三维人体形状估计任务上表现出色,明显优于现有技术。
Jun, 2022
本文提出了一种利用紧凑、快速的 CNN 模型在移动设备上实现实时重构的方法,通过使用传统的形态模型自动注释大量图像以供 CNN 训练,并优化 MobileNet CNNs 模型以改进速度、模型大小和保持最先进的重构精度。
Sep, 2018