通过联合网格和标记回归进行人脸透视重建
本文提出一种新的面部对齐算法,利用3D可变形模型和级联耦合回归器,估计带有任意姿态的人脸图像的2D和3D地标及其2D可视性。实验结果表明,该算法在所有姿态人脸图像上的表现优于现有方法。
Jun, 2015
本研究探讨基于级联回归的 3D 人脸重建方法在 2D 标记点数、3D 顶点数、标记点检测方法及收敛性等四个方面的影响,并提出了一种简化的级联回归算法以及有效的训练方法,实验证明了该方法的有效性。
Sep, 2015
本论文提出了使用卷积神经网络(CNN)对具有2D影像和3D面部模型或扫描的适当数据集进行训练,以实现单个2D面部图像的三维面部几何重建,避免了模型建立和拟合的复杂流程,并演示了如何将面部标志定位集成到所提出的框架中,帮助提高重建质量。
Mar, 2017
提出了一种新的联合人脸对齐和三维人脸重建方法,该方法可以自动生成姿态和表情归一化的三维人脸,并能恢复可见和不可见的二维人脸关键点,从而可以改善跨姿态和表情的人脸识别准确性。实验结果表明,该方法在人脸对齐和三维人脸重建方面均达到了最先进的精度。
Aug, 2017
本文提出一种简单的方法,可以同时重建三维人脸结构并提供密集对齐。该方法使用称为UV位置映射的二维表示来记录完整面部的三维形状,并使用简单卷积神经网络从单个二维图像中回归它。该方法不依赖于任何先前的人脸模型,并且可以重建全面部几何信息。与之前的作品相比,网络非常轻便,并且只需9.8毫秒即可处理图像。多次挑战数据集的实验表明,该方法在重建和对齐任务上均优于其他最先进的方法。
Mar, 2018
本研究提出自监督学习的方法,使用姿势引导网络 (PGN) 进行单眼 3D 人脸重建,并通过结合参数模型的学习和数据驱动的学习技术,从完全标记的 3D 地标和无限制的野外面部图像中学习。通过使用包含同一人物多帧嵌入的面部几何信息的自监督学习方案,缓解了从单个图像回归 3D 面部几何的不适定性。在 AFLW2000-3D、Florence 和 FaceWarehouse 数据集上进行了严格评估,并表明我们的方法在所有指标上均优于最先进技术。
Oct, 2020
本文提出了一种新颖的联合对齐隐式人脸函数 (JIFF) 方法,将隐式函数与模型方法相结合,通过在 3D 形变脸模型和像素对齐 2D 特征之间进行联合预测来提高面部重建的质量,并采用粗到精的架构来预测高质量纹理。经过广泛的公共数据集的评估表明,本文提出的 JIFF 方法在定量和定性方面均优于现有的最新技术。
Apr, 2022
本研究提出了一种新方法,通过将头部姿势信息与面部定位网络的特征图相融合,改进了面部定位的性能。此外,所提出的网络结构通过使用2D特征图和3D热图表示的多维特征,在双维度网络中实现了鲁棒的面部定位。为了有效地进行密集面部定位,我们还提出了基于知识蒸馏的训练方法,用于通过预测关键点来预测面部几何标记。通过实验评估了预测的面部标记与头部姿势信息之间的相关性,以及面部标记的准确性与头部姿势信息的质量之间的变化。此外,我们还在AFLW2000-3D、AFLW和BIWI数据集上与最先进的方法进行了竞争性性能比较,证明了所提方法的有效性。
Aug, 2023
提出了一种深度学习技术结合三维可塑模型(3DMM)进行三维人脸重建的方法,通过结合结构运动(SFM)和多视图立体(MVS)技术,构建了一个端到端的流水线,用于稳定准确地求解姿态和形状,并在量化和质量结果方面显示出明显的改进。
Aug, 2023
本研究解决了ECCV 2022 WCPA挑战赛中人脸重建的重要问题,提出了一种双支路网络,有效地进行人脸重建和特征点检测。研究通过可微PnP层优化输出结果,最终在MVP-Human数据集上取得了竞争力极强的定量结果,并在挑战中获得第三名。
Sep, 2024