单目3D人脸重建DECA

最新推荐文章于 2024-06-08 09:46:34 发布
最新推荐文章于 2024-06-08 09:46:34 发布
阅读量3.5k 收藏 9
点赞数
分类专栏： 深度学习宝典 3D视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jacke121/article/details/117003502
版权

 

#SIGGRAPH2021单目3D人脸重建，皱纹可以随着表情而产生自然变化，更加逼真。

代码已开源DECA: Learning an Animatable Detailed 3D Face Model from In-the-Wild Images 单位 | 马普所

论文 | https://files.is.tue.mpg.de/black/papers/SIGGRAPH21_DECA.pdf

代码 | https://github.com/YadiraF/DECA

主页 | https://deca.is.tue.mpg.de/

开源了预训练模型：

model_path="deca_model.tar"

 checkpoint = torch.load(model_path)
            self.checkpoint = checkpoint
            util.copy_state_dict(self.E_flame.state_dict(), checkpoint['E_flame'])
            util.copy_state_dict(self.E_detail.state_dict(), checkpoint['E_detail'])
            util.copy_state_dict(self.D_detail.state_dict(), checkpoint['D_detail'])

了解本专栏 订阅专栏 解锁全文 超级会员免费看
AI算法网奇
关注
专栏目录
订阅专栏
CVPR2021(Oral) 商汤、港中文实现单目人脸重建新突破： 基于生成网络的渲染器！几何形状更精准！渲染效果更真实！
jacke121的专栏
05-07 2165
近日，商汤-港中文联合实验室提出基于风格化对抗生成器的人脸渲染器，用于取代传统图形学基于栅格化的渲染器来进行3D模型的重建。该方法构建了一种从输入3D模型到生成图像的平滑梯度，同时可以以低精度建模获得渲染更高质量的图像。与此同时，通过对生成网络式的渲染器反向传播算法，能够获得更具有图像细节特征的重建人脸3D模型。 论文名称：Inverting Generative Adversarial Renderer for Face Reconstruction 论文链接：https://...
deca_model.tar
06-24
DECA trained model
DECA：DECA：详细的表情捕捉和动画
01-31
DECA：详细的表情捕捉和动画 输入图像，对齐的重建，具有各种姿势和表情的动画 这是DECA的Pytorch官方实施。 DECA从单个输入图像重建具有详细面部几何形状的3D头部模型。 可以轻松地对生成的3D头部模型进行动画处理。 有关更多详细信息，请参考。 主要特点： 重建：从单个图像产生头部姿势，形状，详细的面部几何形状和照明信息。 动画：以逼真的皱纹变形为面部动画。 鲁棒性：在不受限制的条件下对面部图像进行测试。 我们的方法对于各种姿势，照明和遮挡都是鲁棒的。 准确：基于基准数据集的最新3D面部形状重构。 入门 克隆仓库： git clone https://github.com/YadiraF/DECA cd DECA 要求 Python 3.7（numpy，skimage，scipy，opencv） PyTorch> = 1.6（pytorch3d） 面部对齐（用于检测面部） 你可以跑pip install -r requirements.txt 或通过运行使用虚拟环境bash install_pip.sh 然后按照说明安装 。 用法 准备数据一个。 下载，
DECA代码阅读
Yannie's Blog
07-08 1622
demo_reconstruct.py sys.path.insert(0, os.path.abspath(os.path.join(os.path.dirname(__file__), '..'))) sys.path.insert(0,"/path") 的用法：这样新添加的目录path会优先于其他目录被import检查 os.path.abspath:获取文件绝对路径 os.path.join()函数：连接两个或更多的路径名组件： 1.如果各组件名首字母不包含’/’，则函数会自动加上 2.如果有一
DECA复现记录
w2333l的博客
03-31 475
通过IDEA成功下载pytorch3d后，成功运行，截图如下所示，但是没有看到任何结果，之后打算在服务器上跑项目了，windows环境太难了。按照要求装好环境，col_to_tex.py成功跑通，得到。一、BFM_to_FLAME复现记录。从这获取pytorch3d下载地址。二、DECA虚拟环境创建。建环境正常，运行时报错。
DECA（Detailed Expression Capture and Animation）入门之3D人脸重建Demo
10-31 7512
DECA（Detailed Expression Capture and Animation）是单张图实现3D人脸重建。
DECA的3D人脸重建（3D face reconstruction）
flyfish
12-14 6843
DECA的3D人脸重建（3D face reconstruction） flyfish DECA 全称 Detailed Expression Capture and Animation 论文名字《Learning an Animatable Detailed 3D Face Model from In-The-Wild Images》 原始代码下载地址 https://github.com/YadiraF/DECA 整理好源码和模型下载地址 链接：https://pan.baidu.com/s/1hlY
基于单目视觉的实时3d人脸重建
年轻即出发，
01-07 3362
论文：Real-time Facial Surface Geometry from Monocular Video on Mobile GPUs Github：https://github.com/thepowerfuldeez/facemesh.pytorch https://google.github.io/mediapipe/solutions/face_mesh.html 论文提出了端到端的3d人脸重建方法，3dmesh包含468个人脸3d关键点。同时在手机上可以实现100-1000FP.
DECA：基于单张静态图像，进行 3D 人脸建模
AI科技大本营
09-14 3681
作者|神经三羊来源|HyperAI超神经By 超神经内容概要：本文罗列了 3D 人脸建模常用的 3 大方法，以及基于静态图像进行人脸建模的 3 个方法。文末分享了一个 DECA 教程。关键...
探索未来面孔：自我监督单目3D人脸重建——MGCNet深度解析与应用
最新发布
gitblog_00019的博客
06-08 720
探索未来面孔：自我监督单目3D人脸重建——MGCNet深度解析与应用 MGCNetSelf-Supervised Monocular 3D Face Reconstruction by Occlusion-Aware Multi-view Geometry Consistency[ECCV 2020]项目地址:https://gitcode.com/gh_mirrors/mg/MGCNet 在面...
3D人脸重建之DECA
热门推荐
年轻即出发，
01-18 1万+
论文：Learning an Animatable Detailed 3D Face Model from In-The-Wild Images Github：https://github.com/YadiraF/DECA 论文提出了基于单张彩色图片进行3d人脸重建的方法DECA(Detailed Expression Capture and Animation) ，在Nvidia Quadro RTX 5000上可以达到120fps。 row 1：原始输入样本数据 row 2：粗糙的形..
DECA pretrained model(deca-model.tar)
10-28
DECA（Detailed Expression Capture and Animation）pretrained model (deca_model.tar)，下载后deca_model.zip是压缩文件，先解压后得到deca_model.tar，这不是压缩文件，可以直接放到项目的data文件夹下使用。
ModelFile倒角(1).zip
03-03
ModelFile倒角(1).zip
FaceVerse：基于混合数据集的细粒度和可控3D人脸可塑模型
203330FaceVerse：基于混合数据集的细粒度和可控3D人脸可塑模型0Lizhen Wang 1，Zhiyuan Chen 2，Tao Yu 1，Chenguang Ma 2，Liang Li 2，Yebin Liu 10清华大学1，中国北京蚂蚁金服2，中国杭州0图1....
从单幅遮挡人脸图像生成多种三维重建
1547∼∼从单幅遮挡人脸图像生成多种三维重建密歇根州立大学deyrahul,vishnu@msu.edu目标图像火焰[21]DECA [11] CFR-GAN [17] Occ 3DMM [8] Extreme 3D [42] Diverse 3DFace重建（我们的）图1. 通过Diverse3DFace与 ...
JIFF：高质量单视图服装人体重建
这在很大程度上降低了3D网真等应用的用户体验本文从提高人脸重建质量的角度出发，提出了一种新的联合对齐 隐 式 人 脸 函 数 （ Jointly-aligned Implicit FaceFunction，JIFF），它结合了基于隐函数方法和基于模型...
"基于生成对抗网络的单幅图像三维人脸重建研究
沙特国王大学学报基于生成对抗网络的单幅图像三维人脸重建Mehdi Malaha， Mounir Hemama，Fayçal Abbasb，aUniversity Abbes Laghrour - Khenchela，ICOSI Laboratory，BP 1252 El Houria，40004，Algeriab阿贝斯...
[ECCV2022]3D face reconstruction with dense landmarks
wrk226的博客
04-12 6728
本文做的是基于单图的3D人脸重建。与之前方式不同的是，本文只使用了提取的密集landmark作为模型约束，甚至没有用基于图像的渲染重建损失，但效果却达到了SOTA。本文为后续的工作提供了一个非常好的思路，那就是直接使用基于计算机图形学生成的人脸进行训练。这样的好处是我们拥有绝对准确的ground truth，比如文中使用的landmark，而这是我们在真实数据库上无法达到的（比如被遮挡部分的landmark，即使非常用心，人工也难以准确标注）。且由于现阶段计算机图形学生成的结果的真实性和细腻度都要远远高于计
Self-supervised Multi-level Face Model Learning for Monocular Reconstruction （单目重建的自监督多层次人脸模型学习）
NSSC_K的博客
04-15 1274
我们的新单眼重建方法估计高质量的面部几何形状，皮肤反射率(包括面部毛发)和超过250赫兹的入射照度。利用前馈反渲染网络，学习了一种可训练的多层人脸表示方法。端到端培训基于自我监督的损失，不需要密集的地面真相。 Abstract 从一张单一的图像中重建密集的人脸几何和外观三维模型是非常具有挑战性和不适定的。为了约束该问题，许多方法依赖于强先验，如从有限的三维扫描数据中学习的参数化人脸模型。然而，先验...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值