20160221
1. Liu F, Zeng D, Li J, et al. Cascaded regressor based 3d face reconstruction from a single arbitrary view image[J]. arXiv preprint arXiv:1509.06161, 2015.
这篇论文使用了回归的方法基于2D人脸图像来进行人脸3D模型的重建。由于基本回归方法,因此也具备了回归方法的优点,效果更好,速度也更快。同时能够处理人脸关键点部分缺失的情况。
根据人脸3D数据库和相对应的2D人脸图片的关键点对应情况,学习了3D重建的回归模型。回归算法采用了普通的回归算法,对于人脸部分关键点由于姿态原因缺失的情况,将关键点的位移偏差统一采用常数(如 0)表示,这样即可处理关键点部分缺失的情况。论文比较了重建的形状结果与其它方法,精度上有所提高,速度也提升至43ms/每张人脸图.
PS: 这篇文章不涉及2D人脸关键点检测,用到的2D人脸关键点都是预先检测好的。
2. Tulyakov S, Sebe N. Regressing a 3d face shape from a single image[C]//Proceedings of the IEEE International Conference on Computer Vision. 2015: 3748-3755.
它是将人脸关键点检测和3D人脸重建放在一起来完成的,而以往的方法是先做2D人脸的关键点检测,再根据关键点去估计和匹配3D人脸模型。作者说这是第一篇将两者结合的方法,其实ICCV 2015 另一篇文章 Pose-invariant 3d face alignment 也是采用了类似的方法(简介可参考博客 http://blog.csdn.net/shaoxiaohu1/article/details/50525240)。
这篇文章是可以看作是One Millisecond Face Alignment with an Ensemble of Regression Trees的3D版,也就是说检测到的人脸关键点是3D的。在此基础上,作者提出了3D shape feature indexing 用来构造基于树的的回归模型,同时也引入了基于3D模型的姿态估计改进最终的重建精度。作者采用该方法在人脸关键关键点检测和姿态估计上进行了实验,实验证明性能上均比其它方法要好(很奇怪,为什么不直接比较3D重建的结果,却在这两个方面进行比较)。重建速度确实非常快,每张图9ms, 比Pose-invariant 3d face alignment快的多。作者说会放code,暂时还没看到。
PS: * 人脸关键点检测和3D模型的关系越来越紧密了,作者也说基于3D的回归模型越来越普遍。看来以后要在这方法深入研究了。*