3DFaceGAN：面向三维人脸表示、生成与转换的对抗网络
计算机视觉与模式识别
2019-05-13 v2
摘要
在过去几年中，生成对抗网络（GAN）在计算机视觉领域引起了研究人员的日益关注，其应用包括但不限于图像生成、转换、填补和超分辨率。然而，文献中尚未提出任何基于 GAN 的方法能够成功表示、生成或转换三维面部形状（网格）。这主要归因于两个事实：一是公开可用的三维人脸数据库稀缺且在样本规模和多样性上有限（例如受试者少、种族与性别多样性低）；二是深度网络的网格卷积存在若干文献中尚未完全解决的挑战，导致算子近似与模型不稳定，往往无法保留分布的高频成分。因此，诸如主成分分析（PCA）等线性方法主要被用于三维形状分析，尽管其无法捕捉三维人脸的非线性与高频细节（如眼睑与嘴唇变化）。本工作中，我们提出 3DFaceGAN，这是首个专为建模三维面部表面分布而定制的 GAN，同时保留三维人脸形状的高频细节。我们进行了广泛的定性与定量实验系列，在三维形状表示、生成与转换等任务中，3DFaceGAN 相较于其他最先进方法的优势得到清晰展现。
引用
@article{arxiv.1905.00307,
title = {3DFaceGAN: Adversarial Nets for 3D Face Representation, Generation, and Translation},
author = {Stylianos Moschoglou and Stylianos Ploumpis and Mihalis Nicolaou and Athanasios Papaioannou and Stefanos Zafeiriou},
journal= {arXiv preprint arXiv:1905.00307},
year = {2019}
}
备注
15 pages, 12 figures. Submitted to International Journal of Computer Vision (IJCV), special issue: Generative Adversarial Networks for Computer Vision