法医识别的三维面部重建 - 综述
3D 面部重建算法在图像和视频中的应用广泛,但在法医应用中,其作为证据的作用仍不明确。本文调查了 3D 面部重建在法医学中的应用约束、潜力和限制,并提出了可能取代或补充现有数据集的替代方案。
Sep, 2023
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
提出了一种端到端的 3D 面部重建和探索工具,使用最新的文本到图像扩散模型和基于图像的面部重建技术生成初始参考 3D 面部,然后通过优化过程将这些初始面部调整为与给定头骨上的解剖标志的统计预期相符,通过小型解剖标志上的组合统计分布学习组织厚度,同时提出了一种高效的面部调整工具来辅助用户在观察可行的视觉反馈的同时全局或局部地调整组织厚度。实验证明了所提出流程在重建精度、多样性和稳定性方面的有效性。
Mar, 2024
该研究针对人脸识别中的关键问题:人脸检测、人脸对齐和人脸识别,通过在同一骨干架构下进行面部识别方法的比较基准测试,提出了最新的人脸识别状态,针对红外图像、无遮挡、带口罩、戴眼镜等情况对不同的识别算法进行了评估。
Nov, 2022
最近机器学习和计算机视觉的进展使得人脸识别的准确率超越了人类表现。然而,我们质疑这些系统在真实的法庭鉴定情景中是否能够有效应用,因为在这种情景下,图像往往是低分辨率、低质量且被部分遮挡。本研究构建了一个大规模的合成人脸数据集,并创建了一个控制的人脸法庭鉴定场景,通过这两者的结合,可以在一系列真实环境条件下对人脸识别进行控制性评估。通过使用这个合成数据集和一个包含真实人脸的流行数据集,我们评估了两个常见的基于神经网络的人脸识别系统的准确性。我们发现,在这种更具挑战性的法庭鉴定情景中,先前报道的超过 95% 的人脸识别准确率下降到了 65%。
Nov, 2023
本研究提出了一种新的方法,使用粗到细的优化策略,从不受限制的 2D 图像中重建 3D 人脸,包括利用基于示例的双线性人脸模型生成光滑的粗糙 3D 人脸,使用局部修正变形场对其进行精细化处理和使用形状 - 从 - 阴影方法恢复细节,实现了真实世界模型和公共可用数据集的精度和细节恢复方面的领先水平。
Feb, 2017
本文提出了一种称为边值增长算法的方法,通过光度立体约束从互联网上下载的名人照片中逐渐构建头部模型,以实现三维人脸重建,同时避免面部外胚层区域构建错误而导致的现有技术偏差。
Sep, 2018
该研究提出了一种基于多模态的方法来实现从单目视频中进行 4D 人脸重建,并使用 AVFace 技术准确地重构任何人的面部和唇部运动,而无需任何 3D 地面真实测试。
Apr, 2023
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
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