One2Avatar: 少样本用户自适应的生成式隐式头像
该研究提出了一种通过对单视角幅面图像进行重建和动画化的三维头像,通过三个三角面分别捕捉源图像的粗略三维几何,详细外观以及目标图像的表情实现,再通过超分辨率模块的渲染进行填充并通过单向传递网络的高效性进行动画。实验表明,该方法在重建和动画方面优于当前最先进的基线方法,并且对新的验证数据集有很好的泛化能力。
Jun, 2023
我们提出了一种从图像中学习具有人物特定的可动画化角色模型的方法,旨在解决面部表情追踪失败的问题,并实现高保真度的图像合成。
Nov, 2023
我们提出了一种从只有一个肖像作为参考的照片逼真数字化头像的合成方法。该方法使用驱动关键点特征合成粗糙的说话头视频。使用粗糙视频,该方法使用变形神经辐射场合成粗糙的说话头头像。通过渲染粗糙头像的图像,该方法使用盲目人脸修复模型更新低质量图像。通过更新后的图像,我们重新训练以获得更高质量的头像。经过几轮迭代,我们的方法可以合成逼真的可动画的 3D 神经头像。我们的方法通过在各种主题上进行定量和定性研究超越了最先进的方法。
Jul, 2023
本文提出了一种从野外拍摄的单目 RGB 视频学习高质量的隐式三维头像的方法,该方法通过参数化人脸模型驱动头像实现用户控制的面部表情和头部姿态,使用几何先验和 3DMM 的动态跟踪结合神经辐射场实现细粒度控制和光线真实感,并通过在 3DMM 几何上锚定的局部特征来预测,通过 3DMM 变形驱动,插值在 3D 空间中产生指定查询点的体积辐射。我们进一步展示了在 UV 空间使用卷积神经网络是关键的,可以整合空间上下文和产生代表性的局部特征。大量实验表明,与其他最先进的方法相比,我们能够重建高质量的头像,并具有更准确的表情依赖细节,更好地推广到训练之外的表情和数量上优秀的渲染效果。
Apr, 2023
利用神经渲染基础系统从单张照片创建头像,将外貌分解为两个图层,第一层是由小型神经网络合成的姿态相关的粗略图像,第二层由姿态无关的纹理图像定义,通过在线形变和添加到粗略图像上,以确保高分辨率综合头部视图的有效性和速度。实验显示了和先前神经头像模型相比具有显著的推理加速和视觉质量,同时还在智能手机上实现了实时功能。
Aug, 2020
本研究提出了一种名为 ZeroAvatar 的方法,它使用人体先验约束来保持更复杂的图形(如人体)的几何形状以及完成不可见部位的纹理修复,并且在优化的图像到 3D 人体生成中表现出色,优于存在的一些零样本图像到 3D 方法。
May, 2023
提出了一种名为 IMavatar 的新方法,可以从单目视频中生成隐式头像。通过学习混合形状和蒙皮场来表示表情和姿势相关的变形,使得这些属性可以用于完成新表情和姿态下的几何和纹理场的变形,并通过光线行进和迭代根查找,为每个像素定位规范表面交点,从而实现了头像的生成,并通过端到端的训练,得出了比现有技术更完整的表情空间和几何形状。
Dec, 2021
我们提出了神经头像,该方法能够显式建模动画人物头像的表面几何形状和外观,是虚拟现实和其他电影或游戏应用中数字人物的一种有效表示方法,它能够从单目 RGB 人像视频中学习,能够精确地外推到未知姿态和观察角度,并产生自然的表情和清晰的纹理细节。
Dec, 2021
通过对一大量数据集进行长期元学习,本文提出了一个具备少量学习能力的系统,可以在仅有很少图片的情况下,快速生成高度逼真、个性化的人头模型,此方法可以应用于新人物和肖像画。
May, 2019
基于非结构化的 2D 图像集合,我们提出了一种可调节面部表情、头部姿势和肩膀运动的三维感知生成对抗网络,该网络能够生成多样且高质量的三维头像。
Sep, 2023