CSANet:稳健的 3D 人脸对齐和重建的通道空间注意力网络
通过使用三维空间变形网络(3DSTN)模型相机投影矩阵和三维模型的形变参数,我们提出了一种新颖的方法同时提取面部的三维形状和语义一致的二维对齐,可以在比实时更快的速度下通过网络一次传递实现。我们的模型在 AFLW 和 AFLW2000-3D 数据集上进行评估,证明了我们的方法在三维对齐方面取得了最先进的性能。
Jul, 2017
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
提出了一种上下文感知路径和空间感知路径相结合的 Context-and-Spatial Aware Network (CSANet),通过结构监督和空间金字塔池化策略增强上下文信息,保留空间信息,加强特征,并在 COCO 关键点基准测试中,优于现有的最先进方法。
May, 2019
该研究介绍了一种新颖的基于地理空间分析的通道相关的注意力机制,其能够在卷积神经网络中利用特征图之间的空间关系来产生有效的通道描述符,并验证了其在图像分类、目标检测和实例分割等多个任务和数据集上相对于其他先进的基于注意力的卷积神经网络的竞争性性能和优越性。
May, 2024
本文提出一种简单的方法,可以同时重建三维人脸结构并提供密集对齐。该方法使用称为 UV 位置映射的二维表示来记录完整面部的三维形状,并使用简单卷积神经网络从单个二维图像中回归它。该方法不依赖于任何先前的人脸模型,并且可以重建全面部几何信息。与之前的作品相比,网络非常轻便,并且只需 9.8 毫秒即可处理图像。多次挑战数据集的实验表明,该方法在重建和对齐任务上均优于其他最先进的方法。
Mar, 2018
通过神经架构搜索的多路径单次搜索算法,提出了一种新的提高不同面部姿势下人脸对齐准确性的方法。实验结果表明,该方法在稀疏对齐和密集对齐方面均具有卓越性能。
Jun, 2024
本文研究了多人姿态估计问题,提出了两个新的模块以增强特征图的通道和空间信息,一是采用通道混洗操作的通道混洗模块,二是使用空间、通道注意力的残差增强瓶颈模块,实验结果表明我们的方法在 COCO 关键点基准上实现了最新的成果.
May, 2019
本篇论文介绍了一种基于 SPARNet 和 Face Attention Units(FAU)的空间注意力残差网络(SPARNet),能够在处理低分辨率人脸图像时捕捉到关键面部结构并生成高质量和高分辨率的结果。研究表明,该方法在多种度量标准上的表现优于当前最先进的方法,并能够对合成和真实世界低质量人脸图像进行有效泛化,不需要额外的人工标记数据。
Dec, 2020
本文提出了一种将 3D 脸部几何模型在图像和模型空间联合建模的方法,通过稠密预测先回归可见面部区域的图像空间特征,再基于模型空间方法预测模型系数,最终通过融合网络将两种方法的优点结合起来,从而实现无限制情境下高鲁棒性和高精度的 3D 密集面部对齐。
May, 2023
本论文提出了一种基于自注意机制和通道注意力的深度估计网络(CADepth-Net),通过结构感知模块和细节强调模块对场景结构和细节信息进行建模和处理,从而实现更加准确和清晰的深度预测,并在 KITTI 基准和 Make3D 数据集上取得了最新的最先进成果。
Dec, 2021