ECCVJul, 2022

面部细节动画和操作的结构感知可编辑变形模型

PDF
TL;DR研究通过学习基于皱纹线距离场的面部细节结构表示，提出了一种结构感知可编辑形变模型（SEMM），运用 SEMM 可进行面部细节编辑并保持面部身份信息，包括表情合成权重的转换、年龄值的编辑等。实验结果表明，该模型表现出色，优于现有的方法。
发现论文，激发创造
  • i3DMM：人类头部深度隐式三维可变形模型

    本文提出了首个深度隐式三维可微形变模型（i3DMM），该模型不仅捕捉了前部人脸的特定身份几何、纹理和表情，还模拟了包括头发在内的整个头部。使用一种新的设计，将形状与颜色分离来学习密集的对应关系，最终展示了 i3DMM 的优点及其应用。

    Nov, 2020

  • 非线性 3D 人脸可变模型

    本文提出了一种从大量非约束人脸图像中学习非线性 3D Morphable Model 的创新框架，该模型拥有比线性模型更强大的表示能力，并对人脸对齐和 3D 重建做出了贡献。

    Apr, 2018

  • 野外环境下的三维面部可塑性模型

    通过组合强大的面部形状统计模型和 “野外” 纹理模型，我们提出了第一个 “野外” 3DMM，大大简化了拟合过程，无需将其优化针对照明参数。

    Jan, 2017

  • 从野外图片中学习 3D 人脸可塑模型

    本文提出了一种新的框架以学习从大量野外人脸图像中学习非线性 3DMM 模型，该模型可以用于面部对齐，3D 重建和面部编辑。

    Aug, 2018

  • 一次性隐式可塑人脸建模与一致纹理参数化

    本文提出了一种构建隐式 3D 变形人脸模型的新方法，使用了学习得出的 SDF 和明确的 UV 贴图参数化，从而实现了单张图片的重建、面部表情动画的修改和纹理的直接绘制，相较于现有技术在照片逼真度、几何和表情精度上有了提升。

    May, 2023

  • 从图像和视频中学习完整的三维可塑性人脸模型

    本研究提出了一种基于自监督学习的方法，通过图像和视频数据学习脸部特征的完整 3D 模型，实现了环境无关的单目重建，并训练出能够更好地推广和提高图像重建质量的表情基础等方面的面部模型。

    Oct, 2020

  • 从野外图像学习可动画的详细三维人脸模型

    本文提出了一种名为 DECA 的模型，可以从单张图片中预测 3D 面部的个性细节、形状、色调、表情、姿势和光照，并通过一种新颖的细节一致性损失实现了个性的详情与表情的皱纹的解耦，从而使得重建面部的动画更加逼真。该模型能够在无 3D 监督的情况下进行学习，并在两个基准测试上达到最先进的形状重建精度。

    Dec, 2020

  • 3D Morphable Models 作为空间变换网络

    本文介绍了一种新的卷积神经网络模型，将 3D 变形模型嵌入网络中，使得该网络可以处理输入数据的 3D 空间变换，并且可以对 3D 姿态的变化和遮挡进行识别和规范化，通过该方法可以对高度不规则的图像进行处理。

    Aug, 2017

  • ImFace：一种具有隐式神经表示的非线性 3D 可塑性面部模型

    本文提出了一种新的 3D 可塑人脸模型 ImFace，能够学习一种非线性和连续空间，用于捕捉具有特定身份和表情的复杂形状。除了 ImFace，还提出了有效的预处理管道，以解决隐式表示中 watertight 输入要求的问题，这使得它们可以与常见的人脸表面一起使用。通过大量实验，论文证明了 ImFace 模型的优越性。

    Mar, 2022

  • 个性化面部建模以改进面部重建和运动重新定向

    提出了一种基于结合使用大量视频数据、学习不同用户的个性化面部模型以及独特表情的动态图像映射，可以准确捕捉广泛条件下的微细面部动态及更准确地重构面部和面部运动，比现有技术达到更好的效果。

    Jul, 2020