基于谱图卷积编码器的 3D 人脸重建
本文提出了一种使用 Siamese 卷积神经网络的 3D 人脸重建方法,采用对比损失和恒等损失来保留身份特征信息和增加不同身份之间的距离,从而提高人脸识别的准确性。实验证明,在 300W-LP 和 AFLW2000-3D 等数据库上,相较于现有技术,该方法更加有效。
May, 2019
本论文提出了一种基于联合学习参数人脸模型和面部形状、表情、反射和照明的回归器的方法,其结合了 3D 可塑模型(3D Morphable Model)的优点和学习校正空间的空外推广优点。
Dec, 2017
本论文介绍了一种基于卷积神经网络和生成随机几乎逼真的面部图像的方法,可以通过单张照片快速、稳健地重建面部的三维几何结构,即使在极端表情和各种光照条件下也可以成功恢复面部形状。
Sep, 2016
利用多帧视频自我监督训练深度网络,学习面部身份模型并同时重建 3D 面部,采用新的多帧一致性损失函数使得 consistent shape 和 appearance 尽量减小深度不确定性,从而实现单目和多帧重建。
Dec, 2018
本文提出了一种编码器 - 解码器网络架构,用于从单个 2D 图像中分离出形状特征,从而能够同时实现重建准确的 3D 人脸形状和学习面部识别的判别形状特征。与现有的 3D 人脸重建方法不同,我们的方法直接从单个 2D 图像回归密集的 3D 人脸形状,并根据一个含有潜在表示的组合 3D 人脸形状模型,明确地分开处理了 3D 人脸形状的身份和残差(即非身份)部分。我们制定了一个训练流程,用联合损失来衡量面部识别错误和 3D 人脸形状重建错误,为此我们开发了一种将 3D 形态可塑模型(3DMM)适配到多幅同一主体的 2D 图像上的方法。广泛的实验在 MICC、BU3DFE、LFW 和 YTF 数据库上进行。结果表明,我们的方法扩展了 3DMM 捕捉判别形状特征和面部细节的能力,因此在 3D 人脸重建准确性和面部识别准确性方面均优于现有方法。
Mar, 2018
本文提出一种基于 Hypergraph 卷积神经网络 (HGCNN) 的 3D 人脸防假攻击方法,该方法利用构建的超图表示进行特征提取,在深度辅助下实现 3D 假面防护,并构建 3D 人脸攻击数据库进行验证,实验表明该方法在各类测评中均达到了最新的防御水平。
Nov, 2018
该篇论文提出了一种基于深度神经网络的端到端的方法来从单张 2D 人脸图像中进行三维人脸重建,并且利用了多任务损失函数和融合卷积神经网络来提高人脸表情重建的准确性。
Apr, 2017
通过引入仿射卷积网络,本文提出了一种新的网络架构来解决三维人脸重建中输入图像和输出图像之间的空间不对应的问题,并生成 512×512 像素的高质量 UV 贴图。
Oct, 2023
本文提出了一种使用深卷积神经网络和 3D 数据扩增技术的新型 3D 人脸识别算法,表明 2D 人脸图像 CNN 训练的迁移学习可以有效用于 3D 人脸识别,同时采用一种 3D 人脸扫描的数据扩增技术,可以改进 3D 人脸识别的性能。
Mar, 2017