基于小批量特征交换的 3D 形状变分自编码器潜在空间解耦：面向人体与人脸
计算机视觉与模式识别
2022-03-25 v5 图形学
机器学习
摘要
在人脸和人体的 3D 生成模型中，学习解耦的、可解释的且结构化的潜在表示仍然是一个开放性问题。当需要对身份特征进行控制时，该问题尤为突出。在本文中，我们提出了一种直观而有效的自监督方法来训练 3D 形状变分自编码器（VAE），以鼓励身份特征的解耦潜在表示。通过在不同形状之间交换任意特征来精心组织小批量生成过程，使得我们能够利用潜在表示中已知的差异与相似性来定义损失函数。在 3D 网格上进行的实验结果表明，现有的潜在空间解耦最先进方法无法解耦人脸和人体的身份特征。我们提出的方法能够正确解耦此类特征的生成过程，同时保持良好的表示与重建能力。
引用
@article{arxiv.2111.12448,
title = {3D Shape Variational Autoencoder Latent Disentanglement via Mini-Batch Feature Swapping for Bodies and Faces},
author = {Simone Foti and Bongjin Koo and Danail Stoyanov and Matthew J. Clarkson},
journal= {arXiv preprint arXiv:2111.12448},
year = {2022}
}
备注
Accepted for publication at CVPR2022