学习神经参数化头部模型

我们提出一种基于混合神经场的完整人头的新型3D可变形模型。我们模型的核心在于一种将身份与表情解耦于不相交潜空间中的神经参数化表示。为此，我们将人的身份在规范空间中捕获为有符号距离场(SDF)，并用神经形变场建模面部表情。此外，我们的表示通过引入以面部锚点为中心的局部场集合来实现高保真局部细节。为促进泛化，我们使用定制的高端3D扫描装置在新捕获的包含255个不同身份的逾5200份头部扫描的数据集上训练模型。我们的数据集在几何质量与完整性上均显著超越现有可比数据集，每次扫描平均约3.5M网格面。最后，我们证明我们的方法在拟合误差与重建质量上优于state-of-the-art方法。