超过2500FPS的稠密三维人脸解码：联合纹理与形状卷积网格解码器
计算机视觉与模式识别
2019-04-09 v1
摘要
三维可变形模型（3DMMs）是使用一组线性基尤其是主成分分析（PCA）来表示面部纹理和形状变化的统计模型。3DMMs曾被用作统计先验，通过求解非线性最小二乘优化问题从图像重建三维人脸。近来，3DMMs被用作生成模型，通过深度卷积神经网络（DCNNs）训练从图像到模型参数的非线性映射（即回归器）。然而，上述所有方法要么使用全连接层，要么在参数化展开UV空间上使用二维卷积，导致网络庞大且参数众多。在本文中，我们提出了据我们所知首个非线性3DMMs，通过直接使用网格卷积学习联合纹理与形状自编码器。我们展示了如何利用这些自编码器训练极轻量级的模型，以超过2500 FPS的速度在野外进行彩色网格解码（CMD）。
引用
@article{arxiv.1904.03525,
title = {Dense 3D Face Decoding over 2500FPS: Joint Texture & Shape Convolutional Mesh Decoders},
author = {Yuxiang Zhou and Jiankang Deng and Irene Kotsia and Stefanos Zafeiriou},
journal= {arXiv preprint arXiv:1904.03525},
year = {2019}
}