单张图像三维人脸重建方法综述

近年来,三维人脸重建任务作为“数字人”技术的重要组成部分,受到了学术界和工业界的广泛关注。基于单张图像的三维人脸重建任务在充分结合传统相机模型、光照模型、三维人脸统计形变模型与深度卷积网络、深度生成模型等方面技术之后取得了长足的进步。聚焦单张图像三维人脸重建问题,将现有研究工作分为基于隐空间编码和基于显空间回归两类。第一类研究工作对基础三维人脸统计模型的基系数求解、损失函数设计等进行优化,提升重建效果,在人脸拓扑结构变化方面具备鲁棒性优势,但缺乏细节特征。第二类工作以显空间多种数据形式表示三维人脸并直接通过深度网络进行回归,通常可获得更加个性化的三维人脸细节特征且对光照、遮挡等干扰因素具有较好的鲁棒性。进一步,基于常用数据集和评价指标,充分探讨并比较了两类方法中一些典型方法的优缺点。最后对全文进行总结,并给出了单张图像三维人脸重建任务面临的主要挑战及未来发展趋势。

基于P2M框架改进的单张图像三维重建

近年来,三维重建技术迅速发展,在日常生活和工业产品中得到广泛应用。传统的三维重建方法无法重建对象看不见的部分,需要很长时间才能进行重建,同时对于无纹理的对象的重建也很困难。针对这些问题,围绕单张图像进行三维重建,提出了一种基于P2M框架改进的单张图像重建三维模型的方法。主要工作是将建立特征的骨干进行了替换,将特征提取网络由VGG-16网络进行改进,提出了改进的DenseNet网络,得到更好的二维特征点,从而使得重建的效果更好。经过验证,该方法较传统方法有了进一步的提升,在F-Score上提升了0.4%,在倒角距离上提升了0.035%。

基于单张图像的三维人脸重建技术研究

本文研究提出的使用UV空间表示人脸几何信息的方法,能够从单张二维人脸图像中直接回归出人脸的形状,并能够明确形态上每个点的语言信息,大大提高了三维人脸重建的效率及效果。经过在多个测试集上的定性分析与定量分析可知,本研究提出的方法不仅能够实现更高效的人脸几何信息重建,而且结果也更加精确。

基于局部抑制线性编码的图像快速识别方法

传统的图像识别方法如ScSPM、LLC都是在SIFT的基础上提取特征,忽略了人工特征的局限性,且单张图像识别耗时略长。考虑到这些不足,提出了一种基于局部抑制线性编码的图像快速识别方法。该方法首先直接利用局部抑制线性编码提取图像局部特征描述子;然后用线性空间金字塔匹配(LSPM)对特征描述子进行计算;最后将计算结果输入到线性支持向量机(LSVM)中进行训练和测试。在3个常用的图像数据集上的实验结果表明,该方法在类别不多的情况下具有很好的识别准确率,同时大大减少了单张图像识别耗时,从而验证了该方法在图像识别上的有效性。

单张正面人脸图像的三维人脸重建方法研究

针对基于单张正面人脸图像进行三维人脸重建时所需脸部侧面深度信息缺失的问题,提出基于BP神经网络快速三维重建方法。通过建立BP神经网络估计出正侧面人脸数据的关系,从而由输入的正面数据得到侧面数据,并对BP算法做出改进,加速了算法的收敛,提高了拟合的精度。然后利用获取的人脸侧面数据调整CANDIDE-3人脸模型,生成近似图像中人脸的目标几何模型,最后通过纹理映射生成具有真实感的特定三维人脸模型。实验证明,这种重建方法快速简便,真实感强,较好地解决了基于单张照片重建时侧面深度信息缺失的问题。