关键词facial expression synthesis
搜索结果 - 8
- AnimateMe: 通过扩散模型实现 4D 面部表情
利用扩散模型 enhance 了图生成模型在 3D 领域的能力，以图神经网络作为去噪扩散模型，通过在网格空间上直接进行扩散过程并生成 3D 面部表情，实现了可控且高保真的 4D 面部动画合成。
- ECCV学习生成定制的动态三维面部表情
本文研究应用深度学习技术将单张静态图片转化为逼真的三维动画，重点探究四维面部表情的生成。作者运用一种称为深度网格编码器 - 解码器的技术，结合表情识别模型，以高分辨率的四维扫描数据集为基础，成功地实现了对面部表情的高度逼真合成，且具有较好地 - MM基于区域的面部动作单元对抗合成
本文提出了一种面部动作单元（AU）级别的面部表情合成方法，使用基于 AU 注释的本地注意条件生成对抗网络（LAC-GAN）控制 AU 状态，并使用非配对训练数据训练操纵模块， 在常用的 BP4D 数据集上进行定量和定性评估以验证该方法的有效 - ECCVGANimation：从单张图片生成有结构意识的面部动画
该论文提出一种基于 Action Units 注释的新颖 GAN 条件方案，允许控制每个 AU 的激活幅度并结合其中几个。此外，它还提出了一种完全无监督的训练策略，并利用注意力机制使网络对不断变化的背景和光照条件具有鲁棒性，能够比竞争性条件 - 生成式对抗谈头：用弱监督神经网络将肖像栩栩如生
本文提出了一种名为 GATH 的新型深度生成神经网络，利用动作单元系数实现任意肖像的完全自动面部表情合成。与以往工作不同，GATH 仅仅需要数据驱动，无需人脸模型或图像处理技巧实现面部变形。此外，我们还提出了一种弱监督对抗学习框架，通过生成 - 几何引导的对抗性面部表情合成
本文提出一种几何引导生成对抗网络 (G2-GAN)，通过面部几何条件（标识点）来引导特定表情的面部纹理合成，实现逼真的与身份保护面部表情合成，并取得了良好的实验效果。
- 通过条件式差异对抗自编码器实现逼真的面部表情合成
本文提出了一种条件差异对抗自编码器（CDAAE）的方法，用于从单张面部图像中合成逼真的面部表情，该方法可以解决因没有标记的面部表情数据而造成的身份和表情变化的消歧问题，同时能够在生成表情的同时保留身份信息，并可用于情感识别和数据扩增等方面。
- 深度三维人脸识别
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。