用于 3D 可形变模型回归的无监督训练
计算机视觉与模式识别
2018-06-19 v1
摘要
我们提出一种仅使用无标签照片、从图像像素到 3D 可形变模型坐标训练回归网络的方法。训练损失基于人脸识别网络的特征，通过可微渲染器渲染预测人脸即时计算。为使基于特征的训练可行并避免网络欺骗效应，我们引入三个目标：批次分布损失（鼓励输出分布与可形变模型分布匹配）、回环损失（确保网络能正确重新解释自身输出），以及多视角身份损失（从多个视角比较预测 3D 人脸与输入照片的特征）。我们利用这些目标、一组无标签照片以及可形变模型本身训练回归网络，并展示了当前最优结果。
引用
@article{arxiv.1806.06098,
title = {Unsupervised Training for 3D Morphable Model Regression},
author = {Kyle Genova and Forrester Cole and Aaron Maschinot and Aaron Sarna and Daniel Vlasic and William T. Freeman},
journal= {arXiv preprint arXiv:1806.06098},
year = {2018}
}
备注
CVPR 2018 version with supplemental material (http://openaccess.thecvf.com/content_cvpr_2018/html/Genova_Unsupervised_Training_for_CVPR_2018_paper.html)