Sep, 2023

FDLS：一种用于生成高质量、可控和可重定目标的面部表情的深度学习方法

PDF
TL;DRWeta Digital 的 FDLS（Facial Deep Learning Solver）是解决创建逼真合成人物和转换演员表演至类人角色的复杂模型操控问题的解决方案，采用了粗粒度到细粒度和人工参与的策略，支持编辑和处理日常变化，以可靠、高质量的方式解决动画表演的问题。
visual effectsfacial deep learning solverperformance solvinganimationediting
发现论文，激发创造
  • 单图像照片逼真面部细节合成

    通过表情分析生成满足要求的脸部几何表达形式并结合有监督和无监督学习实现面部细节合成的单图像三维面部综合技术.

    Mar, 2019

  • 学习生成定制的动态三维面部表情

    本文研究应用深度学习技术将单张静态图片转化为逼真的三维动画，重点探究四维面部表情的生成。作者运用一种称为深度网格编码器 - 解码器的技术，结合表情识别模型，以高分辨率的四维扫描数据集为基础，成功地实现了对面部表情的高度逼真合成，且具有较好地泛化能力。该研究是首次尝试解决四维面部表情合成的问题。

    Jul, 2020

  • 基于深度残差学习的面部吸引力计算的标签分布

    本文提出将面部吸引力计算视为标签分布学习问题，并使用深度神经网络学习有效特征来解决面部表示问题，建立了一个端对端的深度学习框架。该方法通过 SCUT-FBP 数据集获得了最佳结果。

    Sep, 2016

  • 野外面部网格动画和重定向的神经面部绑定

    本文提出了一种深度学习的自动化骨骼绑定与重定向方法，名为神经面部绑定（NFR），其在艺术控制、面部网格的连接与表情、表情细节方面具有良好表现。

    May, 2023

  • 使用自动生成的轮廓替换标注的真实图像数据集

    本研究证明，在不使用真实图像、人工和自我监督的情况下，公式驱动的监督学习（FDSL）的性能可以与 ImageNet-21k 匹敌甚至超过其性能。FDSL 的图像避免了真实图像所遭受的隐私、版权问题、标签成本与误差以及偏差，因此具有潜在的重要性。此外，本文还探讨了合成图像的性能，并测试了两个假设，即物体轮廓是 FDSL 数据集中最重要的因素，增加标签创建的参数数量会影响 FDSL 预训练的性能。

    Jun, 2022

  • 基于深度 3D 模拟超分辨率的近实时面部动画

    本文通过神经网络模拟超分辨率框架，可以实现将低成本、实时物理模拟产生的面部表现有效、逼真地提升到接近高分辨率（我们例子中元素数量高出 26 倍）的参考质量，同时补偿了实时模拟的限制和成本削减近似的建模差异，不需要提供任何语义描述符或参数，除了实时模拟的结果。

    May, 2023

  • 通过标签分布深度学习进行面部姿态估计

    本论文通过在 AFLW 数据集和 300W-LP 数据集上实现的深度卷积神经网络架构，将面部姿态估计问题转化为标签分布学习问题来解决数据不足的问题，显著地优于其他流行方法。

    Apr, 2019

  • FaceMixup: 通过混合面部规范化增强面部表情识别

    基于混合面部组件规范化的简单而全面的面部数据增强方法在面部表情识别中优于文献中的经典数据增强方法，包括 MixAugment

    May, 2024

  • DeepFaceLab：集成、灵活且可扩展的人脸交换框架

    我们提出了 DeepFaceLab，这是当前支配面部交换的深度伪造框架，它提供必要的工具和易于使用的方式来进行高质量的面部交换，并提供了一种灵活松散的耦合结构，详细介绍了 DeepFaceLab 的实现原理和流程，并比较了我们的方法与其他面部交换方法。

    May, 2020

  • 多功能人脸动画师：在 RGBD 空间中驱动任意的 3D 人脸形象

    提出了一种新颖的自监督框架，名为 Versatile Face Animator，它将面部动作捕捉与动作重新定位结合起来，从而实现了在任意 3D 角色上进行面部动画的理想效果，并具备潜在的成本效益和高效率的潜力。

    Aug, 2023