基于对抗训练的解耦 3D 人脸形状模型
计算机视觉与模式识别
2019-09-10 v3 机器学习
摘要
数据驱动的生成式 3D 人脸模型用于将人脸形状数据紧凑地编码为有意义的参数化表示。这些模型的一个理想特性是能够有效地解耦自然变化源，特别是身份和表情。尽管已为此提出了因子化表示，但它们在可捕获的变异性方面仍然有限，并且在应用于表情迁移等任务时可能会出现建模伪影。在本工作中，我们利用生成对抗网络探索了一个新方向，并表明它们有助于实现更好的人脸建模性能，特别是在解耦自然因子方面，同时还能获得更多样化的样本。为了训练该模型，我们引入了一种结合 3D 生成器和利用常规 CNN 的 2D 判别器的新颖架构，这两个组件通过几何映射层进行桥接。我们进一步提出了一种基于辅助分类器的训练方案，以显式地解耦身份和表情属性。通过在标准人脸数据集上的定量和定性结果，我们展示了模型的优势，并证明其在解耦和多样性方面优于现有的竞争方法。
引用
@article{arxiv.1902.03619,
title = {A Decoupled 3D Facial Shape Model by Adversarial Training},
author = {Victoria Fernandez Abrevaya and Adnane Boukhayma and Stefanie Wuhrer and Edmond Boyer},
journal= {arXiv preprint arXiv:1902.03619},
year = {2019}
}
备注
camera-ready version for ICCV'19