使用极深神经网络回归鲁棒且具判别性的 3D 可变形模型
计算机视觉与模式识别
2016-12-16 v1
摘要
人脸的 3D 形状众所周知具有判别性。然而尽管如此，它们很少用于人脸识别，且总是在受控视角条件下使用。我们声称，这是现有单视图 3D 人脸重建方法中一个严重但常被忽视问题的表征：当应用于“自然场景”时，它们的 3D 估计要么不稳定且对同一主体的不同照片发生变化，要么过度正则化而泛化。为此，我们描述了一种用于回归判别性 3D 可变形人脸模型 (3DMM) 的鲁棒方法。我们使用卷积神经网络 (CNN) 直接从输入照片回归 3DMM 形状和纹理参数。我们通过提供一种生成大量标记样本的方法，克服了为此目的所需的训练数据短缺问题。我们的 CNN 产生的 3D 估计在 MICC 数据集上超越了最先进精度。结合 3D-3D 人脸匹配流程，我们展示了在 LFW、YTF 和 IJB-A 基准上首次使用 3D 人脸形状作为表征（而非其他现代系统使用的不透明深度特征向量）取得的具有竞争力的人脸识别结果。
引用
@article{arxiv.1612.04904,
title = {Regressing Robust and Discriminative 3D Morphable Models with a very Deep Neural Network},
author = {Anh Tuan Tran and Tal Hassner and Iacopo Masi and Gerard Medioni},
journal= {arXiv preprint arXiv:1612.04904},
year = {2016}
}