[ECCV2020]Beyond 3DMM Space: Towards Fine-grained 3D Face Reconstruction
标题:Beyond 3DMM Space: Towards Fine-grained 3D Face Reconstruction
链接:https://www.researchgate.net/profile/Jianzhu-Guo/publication/346771019_Beyond_3DMM_Space_Towards_Fine-Grained_3D_Face_Reconstruction/links/5fd601cb299bf1408806ba10/Beyond-3DMM-Space-Towards-Fine-Grained-3D-Face-Reconstruction.pdf
本文的目标是解决现如今人脸重建数据集不够的问题,作者认为未来随着深度相机的普及,我们将会有无穷多的RGBD图像用于训练,因此他试图寻找一种从RGBD图像中做人脸重建的方式。主要有两大贡献:
1.构建了一个新的3D人脸数据集FG3D
2.提出了一个细粒度重建网络FGNet
首先,为了构建FG3D这个数据集,作者收集了一些RGBD数据集,然后使用ICP的配准方法将3DMM模型拟合到RGBD图上,从而补齐面部的所有网格信息。
但是RGBD图的一个特性是很多地方都有空缺,因此作者就直接做了平滑处理,将有深度信息的点连接,从而补全全图的空间信息。
然后就是FGNet,这个网络的目标是在现有3DMM模型的基础上增加形状细节,从而让形状更贴合真实的图像。而增加细节的方式你就是直接预测一个UV map,最后将UV map加到3D模型上就完事。
作者提出了两个方式来预测这个UV map:
1. 相机视角:就是直接给CNN输入原始图像和PNCC图像(PNCC就是用色彩来表示坐标的空间信息的2D图像)来直接预测UV map,这个的好处就是保证信息绝对没有遗漏,但问题是模型可能需要从一些很小的细节来预测某些部位,例如耳朵等被遮挡的部分,这会让模型比较难以收敛。
2.模型视角:这里作者将3DMM模型先配准到面部,然后将图像中的人脸纹理投射到UV map中,之后做个attention来提取出重要的部分(应该是没被挡住的部分),之后与形状的UV map做拼接,输入CNN,来预测最终的形变UV map。这样的好处就是输入图像的结构永远是一致的,因为都是UV map嘛,所以模型可能会比较好学。
最后证明两个方式都有效,但是模型视角更好一些。
[ECCV2020]Beyond 3DMM Space: Towards Fine-grained 3D Face Reconstruction相关推荐
- [ECCV2020]Self-Supervised Monocular 3D Face Reconstruction by Occlusion-Aware Multi-view Geometry
标题:Self-Supervised Monocular 3D Face Reconstruction by Occlusion-Aware Multi-view Geometry Consisten ...
- [读论文]弱监督学习的精确 3D 人脸重建:从单个图像到图像集-Accurate 3D Face Reconstruction with Weakly-Supervised Learning:From
论文地址:Accurate 3D Face Reconstruction with Weakly-Supervised Learning:From Single Image to Image Set ...
- 论文阅读(3):Image-Based 3D Object Reconstruction:State-of-the-Art and Trends in the Deep Learning Era
论文标题:Image-Based 3D Object Reconstruction:State-of-the-Art and Trends in the Deep Learning Era 论文类型: ...
- Towards High-Fidelity 3D Face Reconstruction from In-the-Wild Images
论文链接:https://arxiv.org/pdf/2003.05653.pdf Abstract 首先肯定了3DMM 从单视图图片重建人脸的巨大成功,然后点出了存在的不足--面部纹理失真,然后介绍 ...
- 《Joint 3D Face Reconstruction and Dense Alignment with Position Map Regression Network》论文学习笔记
<Joint 3D Face Reconstruction and Dense Alignment with Position Map Regression Network>–<基于 ...
- [ICCV2019]DF2Net: A Dense-Fine-Finer Network for Detailed 3D Face Reconstruction
标题:DF2Net: A Dense-Fine-Finer Network for Detailed 3D Face Reconstruction 链接:https://openaccess.thec ...
- 【3d face reconstruction】综述阅读
paper:State-of-the-art in 3D face reconstruction from a single RGB image 一.methods 第一步就是要选择一个face mo ...
- Image-based 3D Object Reconstruction: State-of-the-Art and Trends in the Deep Learning Era
Image-based 3D Object Reconstruction: State-of-the-Art and Trends in the Deep Learning Era 深度学习领域基于图 ...
- ReDA: Reinforced Differentiable Attribute for 3D Face Reconstruction
ReDA: Reinforced Differentiable Attribute for 3D Face Reconstruction 创新点: 1.针对3D人脸重建渲染成图片的约束只有2d ima ...
- Towards High-Fidelity 3D Face Reconstruction from In-the-Wild Images Using GCN
目录 1. 简介 1.1 motivation 1.2 本文关键点 1.3 本文参考使用的相关技术 2. 本文方法 2.1 流程 2.2 损失函数 1. 简介 文章全称<Towards High ...
最新文章
- 不要一辈子靠技术生存
- DSP学习--BCC校验(异或校验)
- 算法与数据结构 -- 栈与队列(四)
- Spring运行期间配置文件解析返回
- 换个姿势为安装包重签名
- winform 统计大量数据重复的元素个数_DAY10——推断统计之概率与概率分布:常见的离散型概率分布...
- 设计模式笔记二十一:状态模式
- os.path.realpath(__file__) 得到错误路径,与解决方案
- 代码 纪录 软件_「软件资料」-「资讯动态」-软件开发类项目关键文档内容要求...
- 铁路系统的在线检测系统讲座
- 解决eclipse不会自动弹出Console控制台的问题
- colorscheme-如何vim颜色风格
- 半边数据结构(The_Half-Edge_Data_Structure)
- 绑定touch事件后click无效,vue项目解决棒法
- OpenCV3.4 sprintf_instead_use_StringCbPrintfA_or_StringCchPrintfA' : undeclared
- 圆柱属于能滚动的物体吗_滚动轴承中摩擦的主要来源,轧机轴承技术(一)
- 计算机网络——数据包抓取与分析
- 无线传感器网络复习大纲
- SSCI写作--期刊检索和基本介绍
- 微信小程序-tab标签栏实现教程
热门文章
- 云计算将成电子政务最大亮点
- phpwind升级php7,phpwind-8.7-GBK升级到phpwind-9.02-utf8步骤详解
- 山东大学网络考试的计算机试题及答案,专科 计算机基础 山东大学网络教育考试模拟题及答案.doc...
- 大学计算机实验vfp,Visual FoxPro程序设计上机实验(第2版)
- linux 清空session,webwork 之销毁session
- VB.NET Crystal Reports 水晶报表 自定义工具栏
- 电子元件知识汇总1-封装
- Flak框架 Flask从入门到精通
- 《SAP从入门到精通》——第1章 SAP系统基本概念 1.1 SAP公司及其产品介绍
- 华旭 身份证读卡器测试软件_华旭HX-FDX3S读卡器驱动+身份证验证软件