基于位置映射数据的轻量级三维密集面部关键点估计模型
计算机视觉与模式识别
2023-08-30 v1 人工智能
摘要
近年来，在面部分析任务中引入3D数据已日益流行。尽管其提供了更准确细致的人脸表征，但获取3D人脸数据比2D人脸图像更复杂且昂贵。人们要么依赖易噪的昂贵3D扫描仪或深度传感器，要么选择从无标定的2D图像以无监督方式重建3D人脸而无需任何真实3D数据。然而，此类方法计算昂贵且所学模型尺寸不适合移动或其他边缘设备应用。预测全脸密集3D关键点可克服该问题。由于无含密集关键点的公开数据集，我们提出一条流水线，从现有面部位置映射数据生成含全脸520个关键点的密集关键点训练数据集。我们用所生成数据训练了一个轻量级基于MobileNet的回归模型。因无法获取任何含密集关键点的评估数据集，我们针对68关键点检测任务评估模型。实验结果表明，尽管模型尺寸更小且计算成本极低，我们所训模型仍优于许多现有方法。此外，定性评估显示了我们所训模型在极端头部姿态角及其他面部变化与遮挡下的高效性。
引用
@article{arxiv.2308.15170,
title = {A lightweight 3D dense facial landmark estimation model from position map data},
author = {Shubhajit Basak and Sathish Mangapuram and Gabriel Costache and Rachel McDonnell and Michael Schukat},
journal= {arXiv preprint arXiv:2308.15170},
year = {2023}
}
备注
8 pages, The Irish Machine Vision and Image Processing Conference(IMVIP)