Aug, 2023

人脸图像的神经隐式变形

PDF
TL;DR我们提出利用基于坐标的神经网络来表示面部图像的变形和融合。通过结合经典方法中的能量函数，我们利用这些网络的平滑性和灵活性进行训练，同时允许连续的面部变形和融合。实验结果表明，我们的方法在面部变形检测方法方面与传统方法和基于数据的神经技术相竞争，并在审美上呈现出文献中尚不常见的多样面孔的无缝融合。
face morphingcomputer graphicscoordinate-based neural networkswarpingblending
发现论文，激发创造
  • 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

  • 面部融合攻击的最优地标引导图像混合

    我们提出了一种利用最优地标引导的图像融合进行人脸变形攻击的新方法，通过优化变形地标并使用图卷积网络（GCNs）结合地标和外观特征的方式，生成更高质量的变形图像，对最先进的人脸识别系统构成更大的威胁。

    Jan, 2024

  • 在印刷 / 扫描和异构图像源存在下的面部融合检测

    本文提出了基于深度神经网络的人脸变形检测新方法，包括生成模拟打印 - 扫描图像的数据增强策略和预先在大型人脸识别数据集上进行训练，在来自异构图像源的具有挑战性的数据集上达到了最先进的准确性，解决了在电子身份文件中人脸变形问题带来的安全威胁。

    Jan, 2019

  • 使用模板反转近似优化形态攻击

    通过倒置理论上的最优变形嵌入来研发一种基于深度变形攻击的新方法，该方法利用面部识别系统的倒置模型生成混合攻击，具有更高的攻击效果和更快的运行速度。

    Feb, 2024

  • 高保真非线性三维人脸可变模型

    该论文提出了一种通过学习额外的代理来学习高保真人脸模型的新方法，结合全局和局部模型的精心设计网络，通过改进非线性 3D 可变形模型的学习目标和网络架构，使其在捕捉更高级别细节方面具有优越性，从而在 3D 人脸重建中实现了最先进的表现。

    Apr, 2019

  • 通过变形实现动画：一种高质量面部表情动画的高效方法

    提出了一种名为 ATW 的新型框架，其中包含一个新型两阶段神经网络生成器和一个称为 Animating Through Warping（ATW）的新型后处理模块，它具有高效的高分辨率面部动画生成能力。

    Aug, 2020

  • 神经网络的模块化变形

    本文研究了网络形态学习的问题，提出了基于图形变换的两种原子型形态学习方法，并基于 ResNet 提出了实现方案。

    Jan, 2017

  • 使用卷积神经网络实现快速面部替换

    使用卷积神经网络以及风格转移技术进行面部图像交换，通过新的损失函数得到高度逼真的结果并结合预处理和后处理步骤，目标是实现实时面部交换且无需用户手动干预。

    Nov, 2016

  • 用于面部合成攻击的分层生成网络

    通过使用全局信息和局部详细信息的层次生成网络，结合面部区域外的伪影去除模块，我们提出了一种改进图像质量和保持身份的新型变形攻击方法，相对于现有攻击方法具有更高的模拟人眼能力和足够欺骗面部识别系统的威胁性。

    Mar, 2024

  • NeuroMorph: 一次无监督形状插值和对应

    我们提出了一种新的神经网络架构 NeuroMorph，采用图卷积和全局特征池化的优美结构，实现了在单次前馈传递中对输入的两个 3D 形状进行平滑插值和点对点对应，其具有无监督学习能力，适用于不同对象类别的非等距对，并在多个基准测试中匹配或超过了最新无监督和有监督方法的表现水平。

    Jun, 2021