- 多路径神经架构搜索的稳健三维人脸对齐
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。
- 基于人脸模型的人脸对齐方法调查和分类
面部模型是人脸独特特征的数学表示。本文为入门者、从业者和研究人员提供了对用于面部对齐的不同面部模型的全面分析,包括模型的解释和训练,以及将模型拟合到新面部图像的示例。研究发现,在面部极端姿势的情况下,3D 模型更受青睐,而基于深度学习的方法 - 通过融合头部姿态信息和特征实现的 3D 面部对齐
本研究提出了一种新方法,通过将头部姿势信息与面部定位网络的特征图相融合,改进了面部定位的性能。此外,所提出的网络结构通过使用 2D 特征图和 3D 热图表示的多维特征,在双维度网络中实现了鲁棒的面部定位。为了有效地进行密集面部定位,我们还提 - AAAIFreeEnricher: 无需额外成本的人脸关键点增强
本研究提出了一种通过现有的稀疏特征点数据集来丰富面部特征点密度的框架,具有弱监督的学习改进能力和适应扩展的特征点,最终在已有的面部对准网络中作为即插即用模块应用,可以在不增加成本的情况下提供最先进的测试精度。
- 视频监控场景下人脸识别方法的比较分析
该研究针对人脸识别中的关键问题:人脸检测、人脸对齐和人脸识别,通过在同一骨干架构下进行面部识别方法的比较基准测试,提出了最新的人脸识别状态,针对红外图像、无遮挡、带口罩、戴眼镜等情况对不同的识别算法进行了评估。
- CVPR用于鲁棒人脸对齐和特征关键点学习的稀疏局部 Patch Transformer
本文介绍了 Sparse Local Patch Transformer(SLPT)用于学习人脸对齐中的内在关系。该模型通过注意机制从局部补丁中生成每个单独地标的表示,并通过自适应内在关系聚合它们。每个地标的子像素坐标根据聚合特征独立预测, - 野外多任务头部姿态估计
通过深度学习的多任务方法,提出了一种可以同时处理头部姿势、人脸对准和可见性的网络结构,相比现有技术,在头部姿势和可见性方面均取得了最佳表现,在人脸对准方面也达到了和现有技术同等的状态。
- 基于 3DMM 和 3D Landmarks 的协同作用用于精准的 3D 人脸几何模型
本文研究了从 3D 可塑模型(3DMM)和 3D 面部标记的协同学习过程,以预测完整的 3D 面部几何,包括 3D 对齐,面部方向和 3D 面部建模。我们的协同过程利用了 3DMM 参数和 3D 标记的表示循环。3D 标记可以从 3DMM - ICCVADNet:利用误差偏向于人脸对准中的法向量
本文针对 CNN 在人脸对齐中的误差偏置问题,提出方向不各异损失和不各异关注模块来解决该问题,并将其集成到了一个名为 ADNet 的优化端到端训练管道中,最终在三个数据集中实现了最先进的性能表现。
- SADRNet:用于鲁棒的 3D 密集人脸对齐和重建的自对准双面回归网络
本文提出了一种自对齐的双重脸部回归网络 (SADRNet) 框架,通过建模遮挡和姿势,将三维面部的密集对齐和重建问题分解为几个相对更易于处理的子任务,分别预测一个姿态相关面和一个姿态无关面,再由遮挡感知的自对齐组合生成最终的三维面部,实验结 - CVPRASMNet:一个轻量级的用于脸部对齐和姿态估计的深度神经网络
本文提出了一种轻量级卷积神经网络架构,使用 Active Shape Model 辅助 loss function 进行面部对齐和估计头部姿态,该方法在人脸特征点检测和面部姿态估计任务中取得了与 MobileNetV2 相当甚至更好的表现, - ECCV自监督单目 3D 人脸重建:基于遮挡感知多视角几何一致性
本文提出了基于多视角几何一致的自监督训练架构,目标是在面部姿态和深度估计过程中提供可靠的约束。实验结果表明,该方法在面部姿态、表情和光照等方面的变异下都表现出优越性。
- CVPRPropagationNet: 将点传播到曲线以学习结构信息
本研究基于热图回归,通过将地标热图传播到边界热图,提供更多结构信息来解决大头姿势、夸张表情和不均匀光照等情况下的面部对齐问题,同时提出了 Focal Wing Loss 以优化野外条件下难处理的样本。该方法在 WFLW、300W 和 COF - CVPRLUVLi 面部对齐:估计地标位置、不确定性和可见性可能性
本文提出了一种新颖的框架用于联合预测特征点位置、这些特征点位置的不确定性和特征点可见性,使用深度网络学习这些变量,通过我们提出的 Location, Uncertainty, and Visibility Likelihood (LUVLi - J (A) A-Net: 适应性注意力联合检测面部动作单元与面部对齐
本文提出了一种用于联合面部动作单元检测和面部对齐的深度学习框架,通过学习多尺度共享特征,将面部对齐特征和全局特征与调整后的局部特征相结合,采用自适应注意力学习模块来调整 AU 的注意力图,实现了更好的 AU 检测表现,可适应不规则的 AU - AAAI实现大规模未标注视频中全监督人脸对齐
本文提出了一种空间 - 时间关系推理网络 (STRRN) 的方法,用于研究视频中全方位监督的人脸对齐问题,该方法利用大规模无标注视频和可用的带标注数据生成辅助训练注释,自动推理人脸关键点间的关系以稳定面部跟踪,实验结果证明其性能优于现有的大 - DeCaFA: 面部对齐的深度卷积级联网络
DeCaFA 是一种端到端的深度卷积级联体系结构,它使用全卷积阶段保持整个级联的完整空间分辨率,并利用多个链接转移层生成面部对齐任务的每个标记的基于注意力的地标注意力图。通过加权中间监督以及阶段之间的高效功能融合,DeCaFA 可以学习逐步 - AAAI面向高分辨率视频的高精度稳定人脸对齐
本研究提出了一种基于分数热力图回归的高分辨率视频人脸对齐方法,该方法可以准确估计热图中的分数部分,并提出了一个新的稳定损失来解决时间延迟和非平滑问题。实验证明,该方法的精度和稳定性优于现有的方法。
- CVPR非线性 3D 人脸可变模型
本文提出了一种从大量非约束人脸图像中学习非线性 3D Morphable Model 的创新框架,该模型拥有比线性模型更强大的表示能力,并对人脸对齐和 3D 重建做出了贡献。
- 全姿态范围下的人脸对齐:三维全方位解决方案
本文提出了一种新的面部对齐框架,称为 3D Dense Face Alignment (3DDFA),其中使用级联卷积神经网络将密集 3D 可变形模型(3DMM)配合到图像中。本文还利用 3D 信息合成正面视图和侧面视图的面部图像以提供丰富