学习人像的透视畸变校正
计算机视觉与模式识别
2019-05-21 v1 图形学
机器学习
摘要
近距人像照片常包含透视畸变伪影，这些伪影偏置人类感知并挑战人脸识别和重建技术。我们提出首个基于深度学习的方法，从未受限人像中去除此类伪影。与先前最优方法不同，我们的方法甚至处理具有极端透视畸变的人像，因为我们避免了先拟合 3D 人脸模型这一不准确且易出错的步骤。相反，我们预测一个畸变校正流图，其编码逐像素位移，应用于输入图像时可去除畸变伪影。我们的方法还自动推断缺失的面部特征，即由强透视畸变引起的被遮挡耳朵，且具有连贯细节。我们证明我们的方法在定性与定量上均显著优于先前最优，尤其对于极端透视畸变或面部表情的人像。我们进一步展示我们的技术有益于若干基础任务，显著提升人脸识别和 3D 重建的精度，并支持一种从单张人像进行相机标定的新技术。此外，我们还构建了首个在身份、表情和姿态上具有大多样性的透视人像数据库，将有益于该领域的相关研究。
引用
@article{arxiv.1905.07515,
title = {Learning Perspective Undistortion of Portraits},
author = {Yajie Zhao and Zeng Huang and Tianye Li and Weikai Chen and Chloe LeGendre and Xinglei Ren and Jun Xing and Ari Shapiro and Hao Li},
journal= {arXiv preprint arXiv:1905.07515},
year = {2019}
}
备注
13 pages, 15 figures