3D【11】人脸重建：Disentangling Features in 3D Face Shapes for Joint Face Reconstruction and Recognition

最新推荐文章于 2023-11-20 22:14:54 发布
VIP文章 最新推荐文章于 2023-11-20 22:14:54 发布
阅读量1.6k 收藏 2
点赞数
分类专栏： 深度学习 3d
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/linmingan/article/details/79817367
版权

这篇文章的思想跟Multilinear Autoencoder for 3D Face Model Learning
本质上是完全一样的。将人脸重建看成是一个线性问题，然后求解线性系数和特征向量。而且训练方法也是一样的。分三步：1、预训练encoder；2、预训练decoder；3、训练整个模型。
两篇文章的区别是：该论文用的是3DMM的理论，而上面我提到的那篇用的是高阶SVD张量分解理论。

我们来看看模型结构：
这里写图片描述

其中 CR

最低0.47元/天 解锁文章
DCD_Lin
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
用于虚拟现实的实时3D人脸重建和注视跟踪
03-14
用于虚拟现实的实时3D人脸重建和注视跟踪
3D人脸重建(二) 数据
weixin_41386168的博客
11-30 4179
3D face
【三维重建】Joint 3D Face Reconstruction and Dense Alignment with Position Map Regression Network
无极阁
05-30 1808
作者在本文提出了一种能够同时进行3D面目结构重建与提供密集对齐的方法。为了实现这个效果，作者设计了一个称为UV位置映射的2D表示，能够在UV空间中记录一个人脸的3D形状，然后训练一个卷积神经网络来从一张2D图像中重建这张图。本文还在训练过程中的loss里引入了一个权重mask来提高网络性能。该方法并不依赖任何先验人脸模型，并且能够伴随着语义重建整张人脸的面部几何。同时，网络非常轻量，9.8ms便可以处理一张图片，比之前很多工作速度都快。最后在多种比较有挑战性的数据集下表现出了超过SOTA的效果。
【3D形状重建系列】Implicit Functions in Feature Space for 3D Shape Reconstruction and Completion
weixin_43882112的博客
01-11 1034
文章目录1 概要2 Motivation3 思想4 算法5 实验结果6. 结论及思考 1 概要 题目：Implicit Functions in Feature Space for 3D Shape Reconstruction and Completion，CVPR 2020 论文：https://virtualhumans.mpi-inf.mpg.de/papers/chibane20ifnet/chibane20ifnet.pdf 代码：https://virtualhumans.mpiinf.mpg
人脸识别（Face Recognition）
weixin_NineDays66
06-07 642
Scalable Angular Discriminative Deep Metric Learning for Face Recognition》 arXiv 2018 The face recognition pipeline in this paper Abstract：随着深度学习的发展，深度度量学习（DML）在人脸识别方面取得了很大的进步。具体而言，在训...
【论文阅读】Joint 3D Face Reconstruction and Dense Alignment with Position Map Regression Network
hu_yinghui的博客
09-06 887
论文阅读： Joint 3D Face Reconstruction and Dense Alignment with Position Map Regression Network 基于PRNet的联合三维人脸重建和密集对齐
STDN-PyTorch:这是 PyTorch 中“On Disentangling Spoof Traces for Generic Face Anti-Spoofing”的非官方实现
05-29
STDN-PyTorch 这是 PyTorch 中“On Disentangling Spoof Traces for Generic Face Anti-Spoofing”的非官方实现[] [ ]要求Python 3.6+ PyTorch 1.6.0 易字典TensorFlow 2+资料准备使用以下任何存储库为实时面部和...
Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Rec.pptx
06-05
Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition 分离与统一的图卷积用于基于骨架的动作识别 CVPR 2020
山东大学-Daniel Cohen-Or-Face Disentangling
01-19
#极市直播第61期：山东大学“可视计算”学术专题报告#
challenges-in-disentangling:该存储库包含本文的pytorch实现
04-27
纠缠不清的挑战 该存储库包含该论文的代码：理解独立的变异因素所面临的挑战（ ），该论文已在ICLR 2018的研讨会上接受。 本文提出了一种用于消除变异因素的对抗架构。 该体系结构与Mathieu等人的工作不同。...
3D人脸重建：《Joint 3D Face Reconstruction and Dense Alignment with Position Map Regression Network》
Mingx9527
09-07 1万+
《Joint 3D Face Reconstruction and Dense Alignment with Position Map Regression Network》 目录 0 前言 1 概述 2 相关工作 2.1 3D 人脸重建 2.2 人脸对齐 3 详细思路 3.1 3D Face Representation 3.2 Network Architecture and Lo...
Joint Face Image Restoration and Frontalization for Recognition 论文笔记
迷雾天堂的专栏
06-22 569
面向识别的联合人脸图像恢复与前向化 作者：Xiaoguang Tu 中国民航飞行学院 电子科技大学，百度，腾讯，新加坡国立大学 提出了一个网络可以同时解决人脸正面化和人脸复原 摘要 影响人脸识别的因素：姿态大，光照差，分别率低，模糊和噪声。以往通常将低质量人脸恢复成高质量人脸然后执行人脸识别。 本文解决了无约束人脸识别共同的挑战。 提出了一种多退化人脸复原(MDFR)模型，给定任意角度低质量人脸，恢复出正面的高质量人脸，创新点有三个。 首先，MDFR为编码器解码器结构，提取任意输入人脸低质量因子的图像表
MDFR：基于人脸图像复原和人脸转正联合模型的人脸识别方法
喜欢打酱油的老鸟
08-17 1189
nk-1 识别率。在所有的实验模型中，FFN-S 和 FRN-TI 均获得了最好的精度。 表2列举了 FFN-S 和 FRN-TI 同其他方法在 Multi-PIE 数据集上人脸识别率的比较。FFN-S 在所有的姿态中获得了最好的效果，其次是FFN-TI。当姿态角度在±45°以内时，FFN-S 和FFN-TI获得了同 CAPG-GAN 相似的识别效果。但当姿态角度大于±45°时，FFN-S 和 FFN_TI 的效果要显著的好于 CAPG-GAN。 图4. 不同方法在多重低质量因素影响下的人脸复原
（PRNet论文翻译详细）《Joint 3D Face Reconstruction and Dense Alignment with Position Map Regression Network》
qq_43703185的博客
07-28 576
原文链接：https://blog.csdn.net/u011681952/article/details/82383518 《Joint 3D Face Reconstruction and Dense Alignment with Position Map Regression
PFD_net和TransReID学习——二：HRNet提取人体关键点
最新发布
jokerCe的博客
11-20 200
最近在学习行人重识别方向的《Pose-Guided Feature Disentangling for Occluded Person Re-identification Based on Transformer》文章和源码，这篇文章网络PDF的backbone是采用《TransReID: Transformer-based Object Re-Identification》的主干网络TransReID，所以下面在书写的时候会一起说明。在该部分，其实我们需要的只是heatmap，对应的调用部分在。
3D【9】人脸重建:Joint3D Face Reconstruction and Dense Alignment with Position Map Regression
DCD_LIN的博客
03-22 5821
该论文同时预测人脸特征点和3D mesh的顶点坐标x，y，z。人脸特征点没什么好说的，现在已经有很多成功的案例了。主要关注该论文是如何预测顶点坐标的。其实大概想想，就能够大致确定直接预测顶点坐标是有不少困难的。首先是，你不能把所有的顶点拉成一个向量，用全连接层预测；要用卷积层作为输出的话，mesh又不能直接表示成一个固定大小的张量（这正好是用cnn来预测所需要解决的问题，比如将mesh立方体化）。...
3D人脸重建--学习笔记
热门推荐
Mingx9527
09-11 4万+
      &am
3D【4】人脸重建:Large Pose 3D Face Reconstruction from a Single Image via Direct Volumetric
DCD_LIN的博客
02-24 4636
该论文主要是用CNN直接重建3D人脸，而不是预测3DMM模型的参数，网络结构是漏斗网络（ HG）。论文提出了三种方案，第一种是直接从图片重建，第二种是加入了人脸特征点，第三种是多任务（重建+人脸特征点预测）。效果最好的是第二种方法。 值得注意的是，该论文不是直接预测顶点的x、y、z坐标。而是将mesh转成voxel，变成一个192*192*200的矩阵。这样就比较适合CNN。我们先看看mesh...
人脸3D重建
jcjx0315的博客
11-30 1万+
人脸3D重建    概述 为了提高不同光照和不同角度等实际工况条件下的人脸识别率，用2D人脸重建3D人脸模型，可以得到更多不同角度的人脸数据用于训练，从而提高人脸识别精度。另外用3维人脸数据来做人脸识别要比使用2D人脸图像具有更好的鲁棒性和更高的精度，特别是在人脸角度大，环境光变化，化妆、以及表情变化等复杂的情况下仍然具有较高的识别精度，因为相对于2D人脸图像数据而言，3D人脸包含了
什么是Domain Disentangling
03-21
Domain Disentangling是指将数据集中的不同领域或特征分离出来，以便更好地进行数据分析和处理。这种技术可以用于图像、语音、文本等不同类型的数据。在图像领域中，Domain Disentangling可以用于将不同的场景、光照...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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