3D face reconstruction
文章平均质量分 88
Nicholas Sc
这个作者很懒,什么都没留下…
展开
-
CVPR_2020_AvatarMe: Realistically Renderable 3D Facial Reconstruction “in-the-wild”
摘要原创 2023-02-06 19:09:56 · 418 阅读 · 0 评论 -
CVPR2021_Lifting 2D StyleGAN for 3D-Aware Face Generation
CVPR2021_Lifting 2D StyleGAN for 3D-Aware Face Generation原创 2023-01-30 11:48:33 · 252 阅读 · 0 评论 -
CVPR_2021_Inverting Generative Adversarial Renderer for Face Reconstruction
为了解决上述问题,本文提出了一种新的生成对抗渲染器(GAR),并针对一般拟合流水线对GAR的反向版本进行了修改。 具体来说,精心设计的神经渲染器以人脸法线图和表示其他因素的潜在代码为输入,渲染出逼真的人脸图像。 由于GAR学习对复杂的真实图像建模,不依赖于简化的图形规则,能够生成真实感的图像,从根本上抑制了训练和优化中的域移噪声。 在改进的GAR基础上,我们进一步提出了一种新的三维人脸参数预测方法,该方法首先通过渲染器反演获得精细的初始参数,然后使用基于梯度的优化器对初始参数进行优化。转载 2022-12-16 17:03:00 · 154 阅读 · 0 评论 -
FENeRF: Face Editing in Neural Radiance Fields
我们提出了一个三维感知生成器FENeRF,它可以生成视图一致的局部可编辑的人像图像。 我们的方法使用两个解耦的潜在代码在空间对齐的具有共享几何的三维体中生成相应的面部语义和纹理。 FENeRF利用这种底层的三维表示方法,可以联合绘制边界对齐图像和语义掩码,并利用语义掩码通过GAN反演对三维体进行编辑。原创 2022-12-15 11:43:53 · 590 阅读 · 0 评论 -
CVPR_2021_Fast-GANFIT: Generative Adversarial Networkfor High Fidelity 3D Face Reconstruction
在本文中,我们采用了一种完全不同的方法,利用生成对抗网络(GANs)和DCNNs的能力,从单幅图像中重建面部纹理和形状。 即利用GANS从一个大规模的三维纹理数据集中训练出一个非常强大的人脸纹理先验。 在此基础上,我们利用非线性优化方法对原有的三维可变形模型(3DMMS)拟合进行了研究,找到了能够在新的视角下重建测试图像的最优潜在参数。 为了对初始化具有鲁棒性和加速拟合过程,我们提出了一种新的基于自监督回归的方法。原创 2022-12-14 17:03:21 · 268 阅读 · 0 评论 -
CVPR_2021_Riggable 3D Face Reconstruction via In-Network Optimization
本文提出了一种基于单目图像的可装配的三维人脸重建方法,该方法联合估计个性化的人脸模型和每幅图像的参数,包括表情、姿态和光照。 为了实现这一目标,我们设计了一个嵌入可微网络优化的端到端可训练网络。 该网络首先通过神经解码器将人脸识别器参数化为一个紧凑的潜在代码,然后通过可学习优化估计潜在码和每幅图像的参数。 网络内优化显式地执行从第一性原理导出的约束,因此比基于回归的方法引入了额外的先验。 最后,利用深度学习中的数据驱动先验知识对不适定的单目集合进行约束,降低了优化难度。原创 2022-12-14 10:28:54 · 304 阅读 · 0 评论