面向高保真非线性三维人脸可变形模型
计算机视觉与模式识别
2019-04-11 v1
摘要
将三维可变形基函数嵌入深度神经网络为具有更强表征能力的模型开辟了巨大潜力。然而，要从图像集合中忠实学习这些模型，需要强正则化以克服学习过程中的歧义。这严重阻碍了我们学习所需的高保真人脸模型以在极高细节层面表示人脸图像。为解决此问题，本文提出一种新方法，学习额外的代理变量作为规避强正则化的手段，并促进细节形状/反照率。为简化学习，我们还提出使用双通路网络，一种精心设计的在全局与局部模型间取得平衡的架构。通过在学习目标与网络架构上改进非线性三维可变形模型，我们提出的模型在捕捉更高细节层面优于线性或其先前非线性对应模型。因此，我们的模型仅通过优化潜在表示在三维人脸重建上达到了 SOTA 性能。
引用
@article{arxiv.1904.04933,
title = {Towards High-fidelity Nonlinear 3D Face Morphable Model},
author = {Luan Tran and Feng Liu and Xiaoming Liu},
journal= {arXiv preprint arXiv:1904.04933},
year = {2019}
}
备注
CVPR 2019. Project webpage: http://cvlab.cse.msu.edu/project-nonlinear-3dmm.html