面向少样本全头重建的隐式形状与外观先验

近期，采用基于坐标的神经表示的学习技术已在多视角 3D 重建任务中取得显著成果。然而，这些方法通常需要大量输入视角（一般数十个）且依赖计算密集的优化过程方能生效。在本文中，我们针对少样本全 3D 头部重建问题具体解决这些局限。为此，我们将概率形状与外观先验融入基于坐标的表示中，从而在使用极少输入图像（甚至低至单张图像）时实现更快收敛与更佳泛化。在测试阶段，我们利用该先验通过可微渲染器引导有符号距离函数的拟合过程。通过将统计先验与可并行化的光线追踪及动态缓存策略相结合，我们实现了一种高效且精确的少样本全 3D 头部重建方法。此外，我们扩展了 H3DS 数据集，其现包含 60 个高分辨率 3D 全头扫描及其对应的位姿图像与掩码，用于评估。借助该数据集，我们展示了我们的方法在几何重建中取得最先进成果的卓越能力，同时比以往方法快一个数量级。