运动转换网络改变人类视频中的人格观察
本文研究了各种影响人格认知的可能偏见源,包括面部表情情绪、吸引力、年龄、性别和种族,以及它们对表观人格估计的影响。使用多模态深度神经网络,综合音频和视觉信息,以及特定属性模型的预测来回归表观人格,并在 ChaLearn First Impressions 数据集上展示了最新的结果。此外,还提供了一种可解释性的网络设计,对每种可能的偏见源对最终网络预测的影响进行了增量分析。
Sep, 2019
通过对真实和虚拟人脸数据集中的面部表情进行评估,研究发现表情照片中的动作单元(AU)在假设的数据集中的强度要高于实际的数据集,相关程度约为 80% 对于 AU6 和 45% 对于 AU12。
Dec, 2023
本研究提出了一种基于神经网络的端到端模型,可在用户控制下实时生成和转换不同风格的运动,无需手工制作的相位特征,在游戏系统中易于训练和部署,并从实验三个方面,即准确性,灵活性和多样性进行了评估,表现出令人满意的结果。
Mar, 2022
本篇论文系统总结了基于视觉计算的表观性格特征识别的现有方法,讨论比较了这些方法的独特特点和限制;同时也讨论了该领域未来的研究方向和数据标注 / 评估的主观性问题,还简要回顾了当前数据集和挑战。
Apr, 2018
使用一个人的动态视频,通过引入新颖的组合式人体建模框架,结合显式建模和隐式建模的方法,实现高质量的服装 3D 人体化身建模,解决了缺乏几何和其时间对应关系的 3D 真值数据的挑战,成功地生成了具有运动相关几何和纹理的服装 3D 人体化身。
Dec, 2023
该文提出了一种新的框架,通过训练一系列递归深度神经网络从 2D 姿势及其时间导数来生成人类形状、结构和外观的中间表示,从而解决了视频中松散的服装动态和细节的生成问题,实现了高保真的人类动作转移。
Dec, 2020