这篇论文介绍了如何利用2D-FAN和2D-to-3D-FAN网络解决2D及3D人脸对齐问题，创建了当时最大的3D人脸地标数据集LS3D-W，并探讨了网络规模、姿态、分辨率等因素对性能的影响。通过实验表明，提出的网络在不同条件下的表现稳定，为3D人脸对齐提供了强大基准。
简介
ICCV 2017的论文，结合最先进的人脸特征点定位（landmark localization）架构和最先进的残差模块（residual block），首次构建了一个非常强大的基准，在一个超大2D人脸特征点数据集（facial landmark dataset）上训练，并在所有其他人脸特征点数据集上进行评估。
为了解决3D人脸对齐数据集少的问题，本文进一步提出了一种将2D注释转换为3D注释的2D特征点CNN方法，并使用它创建LS3D-W数据集，这是目前最大、最具挑战性的3D人脸特征点数据集（约230000张图像），是通过将现存的所有数据集统一起来得到的。
然后，本文训练了一个3D人脸对齐网络，并在新的大型3D人脸特征点数据集进行评估，实际分析距离解决3D人脸对齐问题尚有多远。
本文进一步研究影响人脸对齐性能的所有“传统”因素，例如大姿态（large pose），初始化和分辨率，并引入“新的”因素，即网络的大小。
本文测试结果显示，2D和3D人脸对齐网络都实现了非常高准确度的性能，这可能是接近了所使用的数据集的饱和性能。
当前2D和3D人脸对齐数据集
1）训练数据
最低0.47元/天 解锁文章
321
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
