RigAnyFace：基于无标签数据的扩展神经人脸网格自动绑装
计算机视觉与模式识别
2025-11-25 v1
摘要
本文提出 RigAnyFace（RAF），一个面向多样化拓扑人脸网格的可扩展神经自动绑装框架，包括包含多个不相连组成部分的网格。RAF 将变形静态中性人脸网格变形到行业标准的 FACS 姿态，以形成具有表现力的混合形绑定。通过一个兼具三角形无关性的表面学习网络进行变形预测，该网络增添了针对 FACS 参数的定制化架构设计，以高效处理不相连的组成部分。对于训练，我们精选了一个人脸网格数据集，其中子集由专业艺术家精心绑装，以作为准确的 3D 变形监督。由于手动绑装成本高昂，该子集规模受限，限制了仅在其上训练的模型的泛化能力。为此，我们设计了一种针对无绑装中性网格的 2D 监督策略。该策略增加了数据多样性，允许规模化训练，从而提升了在该增强数据上训练的模型的泛化能力。广泛的实验表明，RAF 能够对包括我们自制资产以及野外样本在内的多样化拓扑网格进行绑装，凭借准确性和可泛化性在先前工作中显著优于其他方法。此外，我们的方法超越了前人的工作，支持多个不相连的组成部分，如眼球，以实现更细致的表情动画。项目页面：https://wenchao-m.github.io/RigAnyFace.github.io
引用
@article{arxiv.2511.18601,
title = {RigAnyFace: Scaling Neural Facial Mesh Auto-Rigging with Unlabeled Data},
author = {Wenchao Ma and Dario Kneubuehler and Maurice Chu and Ian Sachs and Haomiao Jiang and Sharon Xiaolei Huang},
journal= {arXiv preprint arXiv:2511.18601},
year = {2025}
}
备注
Accepted by NeurIPS 2025