CN107292950A - 一种基于深度神经网络的端到端三维人脸重建方法 - Google Patents
一种基于深度神经网络的端到端三维人脸重建方法 Download PDFInfo
- Publication number
- CN107292950A CN107292950A CN201710429052.4A CN201710429052A CN107292950A CN 107292950 A CN107292950 A CN 107292950A CN 201710429052 A CN201710429052 A CN 201710429052A CN 107292950 A CN107292950 A CN 107292950A
- Authority
- CN
- China
- Prior art keywords
- msub
- neural network
- facial
- deep neural
- face
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明中提出的一种基于深度神经网络的端到端三维人脸重建方法,其主要内容包括:3D面部形状子空间模型、深度神经网络(DNN)架构和端到端训练,其过程为,采用3D面部形状子空间模型,并将3D面部作为一组形状和混合形状基线的线性组合,基于VGG网络的脸部模型添加了子卷积神经网络(融合CNN)用于回归表达参数,以及用于身份参数预测和表达参数预测的多任务学习损失函数,端到端训练中深度神经网络的输入是一个二维图像,输出由身份参数向量和表达式参数向量组成。本发明解决面部图像中的姿态、表情和照明变化带来的影响,避免了图像采集过程中深度信息的损失;同时简化了框架,降低计算成本,提高了重建精度和识别的鲁棒性。
Description
技术领域
本发明涉及人脸重建领域,尤其是涉及了一种基于深度神经网络的端到端三维人脸重建方法。
背景技术
人脸是人类最重要的生物特征之一,反映了很多重要的生物信息,如身份、性别、种族、年龄、表情等。三维人脸重建技术有着广泛的用途和前景,一直以来都是计算机视觉和计算机图形学研究的热点和难点。人脸建模在人脸识别系统、医学、电影电视剧、广告、计算机动画、游戏、视频会议以及可视电话、人机交互等许多领域都具有广泛的应用前景。特别是在人脸识别方面,其可以应用在公共安全防范、逃犯追捕、网络安全、金融安全商场安全等诸多领域。但是,人脸建模技术存在计算成本较高的问题,面部图像中的姿态、表情和照明变化也会给识别和重建带来影响。
本发明提出了一种基于深度神经网络的端到端三维人脸重建方法,采用3D面部形状子空间模型,并将3D面部作为一组形状和混合形状基线的线性组合,基于VGG网络的脸部模型添加了子卷积神经网络(融合CNN)用于回归表达参数,以及用于身份参数预测和表达参数预测的多任务学习损失函数,端到端训练中深度神经网络的输入是一个二维图像,输出由身份参数向量和表达式参数向量组成。本发明解决面部图像中的姿态、表情和照明变化带来的影响,避免了图像采集过程中深度信息的损失;同时简化了框架,降低计算成本,提高了重建精度和识别的鲁棒性。
发明内容
针对面部图像中的姿态、表情和照明变化也会给识别和重建带来影响的问题,本发明的目的在于提供一种基于深度神经网络的端到端三维人脸重建方法,采用3D面部形状子空间模型,并将3D面部作为一组形状和混合形状基线的线性组合,基于VGG网络的脸部模型添加了子卷积神经网络(融合CNN)用于回归表达参数,以及用于身份参数预测和表达参数预测的多任务学习损失函数,端到端训练中深度神经网络的输入是一个二维图像,输出由身份参数向量和表达式参数向量组成。
为解决上述问题,本发明提供一种基于深度神经网络的端到端三维人脸重建方法,其主要内容包括:
(一)3D面部形状子空间模型;
(二)深度神经网络(DNN)架构;
(三)端到端训练。
其中,所述的3D脸部重建,可分为两个子任务,即重建3D面部形状和重建面部表情,并结合多任务学习损失函数训练不同的层次,分别预测身份和表达参数。
其中,所述的3D面部形状子空间模型,采用3D面部形状子空间模型,并将3D面部作为一组形状和混合形状基线的线性组合:
其中,S是目标3D面部,是平均面部形状,Ud是在3D面部扫描中训练的主要成分,αd是身份参数向量,Ue是偏移训练的主要组成部分,αe是表达式参数向量;给定2D面部图像,目标是预测最佳身份和表达参数,最小化重建的3D面部和标定的真实数据之间的差异。
其中,所述的深度神经网络(DNN)架构,基于VGG网络的脸部模型由13个卷积层和5个池层组成,并且添加了两个关键组件:子卷积神经网络(融合CNN),融合了基于VGG网络的脸部模型中间层的特征,用于回归表达参数,以及用于身份参数预测和表达参数预测的多任务学习损失函数。
进一步地,所述的两个关键组件,通过多任务损失函数,3D脸部重建被分为中性3D面部形状重建和表达3D面部形状重建;使用融合CNN,融合和变换不同中间层的特征,以预测3D面部形状。
进一步地,所述的训练神经层,通过这两个组件,可以在单个DNN架构中训练三种类型的神经层;第一种类型的神经层包括第四池层以下的部分,其学习对应于低级面部结构(例如边缘和角落)的通用特征;这些层由两个任务共享;第二类神经层包括融合CNN中的三个卷积层和以下完全连接的层;这些层将学习表达特征;第三类型的神经层包括在第四池层以上的部分,其学习更适合于预测身份参数的类别特征。
进一步地,所述的卷积神经网络,网络的输入是裁剪的RGB图像并缩放到180×180像素;为了融合第4层和第5层的中间特征,将Conv6和Conv7层的内核大小和步长分别设置为{5×5,2}和{1×1,1};在连接Conv6和Conv7的特征后,添加另外1×1个内核卷积层Conv8以减少特征维度。
其中,所述的端到端训练,深度神经网络的输入是一个二维图像,面部感兴趣区域(ROI)由面部检测器定位;首先将检测到的面部包围盒放大到原始尺寸的0.25倍,然后将较短的边缘延伸,以裁剪面部ROI的平方图像,其尺寸为180×180;深度神经网络的输出由身份参数向量和表达式参数向量组成;它们用于使用公式(1)重建与输入的2D图像相对应的3D面部形状。
进一步地,所述的训练数据,使用真实2D图像和合成2D图像来训练深度神经网络;真实2D图像用于初始化深度神经网络,合成2D图像用于微调;对于每个3D面部,合成25张具有不同面部姿势、照明和面部表情的图像。
进一步地,所述的成本函数,选择训练成本作为预测的3D面和标定的真实数据的差异;为了测量这个差异,使用所有3D顶点的平方误差之和:
其中,c∈{e,d},表示预测参数向量,αc表示标定的真实数据;
总损失函数计算为两个损失函数的加权和:
E=λdEd+λeEd (3)
其中,λd和λe是两个单独损失函数的权重。
附图说明
图1是本发明一种基于深度神经网络的端到端三维人脸重建方法的系统框架图。
图2是本发明一种基于深度神经网络的端到端三维人脸重建方法的3D面部重建实例。
图3是本发明一种基于深度神经网络的端到端三维人脸重建方法的深度神经网络的结构。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和具体实施例对本发明作进一步详细说明。
图1是本发明一种基于深度神经网络的端到端三维人脸重建方法的系统框架图。主要包括3D面部形状子空间模型,深度神经网络(DNN)架构,端到端训练。
3D面部形状子空间模型,采用3D面部形状子空间模型,并将3D面部作为一组形状和混合形状基线的线性组合:
其中,S是目标3D面部,是平均面部形状,Ud是在3D面部扫描中训练的主要成分,αd是身份参数向量,Ue是偏移训练的主要组成部分,αe是表达式参数向量;给定2D面部图像,目标是预测最佳身份和表达参数,最小化重建的3D面部和标定的真实数据之间的差异。
端到端训练,深度神经网络的输入是一个二维图像,面部感兴趣区域(ROI)由面部检测器定位;首先将检测到的面部包围盒放大到原始尺寸的0.25倍,然后将较短的边缘延伸,以裁剪面部ROI的平方图像,其尺寸为180×180;深度神经网络的输出由身份参数向量和表达式参数向量组成;它们用于使用公式(1)重建与输入的2D图像相对应的3D面部形状。
训练数据,使用真实2D图像和合成2D图像来训练深度神经网络;真实2D图像用于初始化深度神经网络,合成2D图像用于微调;对于每个3D面部,合成25张具有不同面部姿势、照明和面部表情的图像。
成本函数,选择训练成本作为预测的3D面和标定的真实数据的差异;为了测量这个差异,使用所有3D顶点的平方误差之和:
其中,c∈{e,d},表示预测参数向量,αc表示标定的真实数据;
总损失函数计算为两个损失函数的加权和:
E=λdEd+λeEe (3)
其中,λd和λe是两个单独损失函数的权重。
图2是本发明一种基于深度神经网络的端到端三维人脸重建方法的3D面部重建实例。3D脸部重建可分为两个子任务,即重建3D面部形状和重建面部表情,并结合多任务学习损失函数训练不同的层次,分别预测身份和表达参数。
图3是本发明一种基于深度神经网络的端到端三维人脸重建方法的深度神经网络的结构。基于VGG网络的脸部模型由13个卷积层和5个池层组成,并且添加了两个关键组件:子卷积神经网络(融合CNN),融合了基于VGG网络的脸部模型中间层的特征,用于回归表达参数,以及用于身份参数预测和表达参数预测的多任务学习损失函数。
通过多任务损失函数,3D脸部重建被分为中性3D面部形状重建和表达3D面部形状重建;使用融合CNN,融合和变换不同中间层的特征,以预测3D面部形状。
通过这两个组件,可以在单个DNN架构中训练三种类型的神经层;第一种类型的神经层包括第四池层以下的部分,其学习对应于低级面部结构(例如边缘和角落)的通用特征;这些层由两个任务共享;第二类神经层包括融合CNN中的三个卷积层和以下完全连接的层;这些层将学习表达特征;第三类型的神经层包括在第四池层以上的部分,其学习更适合于预测身份参数的类别特征。
卷积神经网络的输入是裁剪的RGB图像并缩放到180×180像素;为了融合第4层和第5层的中间特征,将Conv6和Conv7层的内核大小和步长分别设置为{5×5,2}和{1×1,1};在连接Conv6和Conv7的特征后,添加另外1×1个内核卷积层Conv8以减少特征维度。
对于本领域技术人员,本发明不限制于上述实施例的细节,在不背离本发明的精神和范围的情况下,能够以其他具体形式实现本发明。此外,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围,这些改进和变型也应视为本发明的保护范围。因此,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (10)
1.一种基于深度神经网络的端到端三维人脸重建方法,其特征在于,主要包括3D面部形状子空间模型(一);深度神经网络(DNN)架构(二);端到端训练(三)。
2.基于权利要求书1所述的3D脸部重建,其特征在于,可分为两个子任务,即重建3D面部形状和重建面部表情,并结合多任务学习损失函数训练不同的层次,分别预测身份和表达参数。
3.基于权利要求书1所述的3D面部形状子空间模型(一),其特征在于,采用3D面部形状子空间模型,并将3D面部作为一组形状和混合形状基线的线性组合:
<mrow>
<mi>S</mi>
<mo>=</mo>
<mover>
<mi>S</mi>
<mo>&OverBar;</mo>
</mover>
<mo>+</mo>
<msub>
<mi>U</mi>
<mi>d</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>&alpha;</mi>
<mi>d</mi>
</msub>
<mo>+</mo>
<msub>
<mi>U</mi>
<mi>e</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>&alpha;</mi>
<mi>e</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,S是目标3D面部,是平均面部形状,Ud是在3D面部扫描中训练的主要成分αd是身份参数向量,Ue是偏移训练的主要组成部分αe是表达式参数向量;给定2D面部图像,目标是预测最佳身份和表达参数,最小化重建的3D面部和标定的真实数据之间的差异。
4.基于权利要求书1所述的深度神经网络(DNN)架构(二),其特征在于,基于VGG网络的脸部模型由13个卷积层和5个池层组成,并且添加了两个关键组件:子卷积神经网络(融合CNN),融合了基于VGG网络的脸部模型中间层的特征,用于回归表达参数,以及用于身份参数预测和表达参数预测的多任务学习损失函数。
5.基于权利要求书4所述的两个关键组件,其特征在于,通过多任务损失函数,3D脸部重建被分为中性3D面部形状重建和表达3D面部形状重建;使用融合CNN,融合和变换不同中间层的特征,以预测3D面部形状。
6.基于权利要求书4所述的训练神经层,其特征在于,通过这两个组件,可以在单个DNN架构中训练三种类型的神经层;第一种类型的神经层包括第四池层以下的部分,其学习对应于低级面部结构(例如边缘和角落)的通用特征;这些层由两个任务共享;第二类神经层包括融合CNN中的三个卷积层和以下完全连接的层;这些层将学习表达特征;第三类型的神经层包括在第四池层以上的部分,其学习更适合于预测身份参数的类别特征。
7.基于权利要求书4所述的卷积神经网络,其特征在于,网络的输入是裁剪的RGB图像并缩放到180×180像素;为了融合第4层和第5层的中间特征,将Conv6和Conv7层的内核大小和步长分别设置为{5×5,2}和{1×1,1};在连接Conv6和Conv7的特征后,添加另外1×1个内核卷积层Conv8以减少特征维度。
8.基于权利要求书1所述的端到端训练(三),其特征在于,深度神经网络的输入是一个二维图像,面部感兴趣区域(ROI)由面部检测器定位;首先将检测到的面部包围盒放大到原始尺寸的0.25倍,然后将较短的边缘延伸,以裁剪面部ROI的平方图像,其尺寸为180×180;深度神经网络的输出由身份参数向量和表达式参数向量组成;它们用于使用公式(1)重建与输入的2D图像相对应的3D面部形状。
9.基于权利要求书8所述的训练数据,其特征在于,使用真实2D图像和合成2D图像来训练深度神经网络;真实2D图像用于初始化深度神经网络,合成2D图像用于微调;对于每个3D面部,合成25张具有不同面部姿势、照明和面部表情的图像。
10.基于权利要求书8所述的成本函数,其特征在于,选择训练成本作为预测的3D面和标定的真实数据的差异;为了测量这个差异,使用所有3D顶点的平方误差之和:
<mrow>
<msub>
<mi>E</mi>
<mi>C</mi>
</msub>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>U</mi>
<mi>c</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mover>
<mi>&alpha;</mi>
<mo>^</mo>
</mover>
<mi>c</mi>
</msub>
<mo>-</mo>
<msub>
<mi>U</mi>
<mi>c</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>&alpha;</mi>
<mi>c</mi>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
1
其中,c∈{e,d},表示预测参数向量,αc表示标定的真实数据;
总损失函数计算为两个损失函数的加权和:
E=λdEd+λeEeEe (3)
其中,λd和λe是两个单独损失函数的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710429052.4A CN107292950A (zh) | 2017-06-08 | 2017-06-08 | 一种基于深度神经网络的端到端三维人脸重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710429052.4A CN107292950A (zh) | 2017-06-08 | 2017-06-08 | 一种基于深度神经网络的端到端三维人脸重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292950A true CN107292950A (zh) | 2017-10-24 |
Family
ID=60096302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710429052.4A Withdrawn CN107292950A (zh) | 2017-06-08 | 2017-06-08 | 一种基于深度神经网络的端到端三维人脸重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292950A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399649A (zh) * | 2018-03-05 | 2018-08-14 | 中科视拓(北京)科技有限公司 | 一种基于级联回归网络的单张图片三维人脸重建方法 |
CN108510573A (zh) * | 2018-04-03 | 2018-09-07 | 南京大学 | 一种基于深度学习的多视点人脸三维模型重建的方法 |
CN108510435A (zh) * | 2018-03-28 | 2018-09-07 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN108629291A (zh) * | 2018-04-13 | 2018-10-09 | 深圳市未来媒体技术研究院 | 一种抗网格效应的人脸深度预测方法 |
CN108805977A (zh) * | 2018-06-06 | 2018-11-13 | 浙江大学 | 一种基于端到端卷积神经网络的人脸三维重建方法 |
CN108876893A (zh) * | 2017-12-14 | 2018-11-23 | 北京旷视科技有限公司 | 三维人脸重建的方法、装置、系统及计算机存储介质 |
CN109255830A (zh) * | 2018-08-31 | 2019-01-22 | 百度在线网络技术(北京)有限公司 | 三维人脸重建方法和装置 |
CN109712228A (zh) * | 2018-11-19 | 2019-05-03 | 中国科学院深圳先进技术研究院 | 建立三维重建模型的方法、装置、电子设备及存储介质 |
CN109924949A (zh) * | 2019-03-05 | 2019-06-25 | 北京工业大学 | 一种基于卷积神经网络的近红外光谱断层成像重建方法 |
CN110046576A (zh) * | 2019-04-17 | 2019-07-23 | 内蒙古工业大学 | 一种训练识别面部表情的方法和装置 |
CN110097606A (zh) * | 2018-01-29 | 2019-08-06 | 微软技术许可有限责任公司 | 面部合成 |
WO2019237299A1 (en) * | 2018-06-14 | 2019-12-19 | Intel Corporation | 3d facial capture and modification using image and temporal tracking neural networks |
CN110619676A (zh) * | 2019-09-18 | 2019-12-27 | 东北大学 | 一种基于神经网络的端到端的三维人脸重建方法 |
WO2020037676A1 (zh) * | 2018-08-24 | 2020-02-27 | 太平洋未来科技(深圳)有限公司 | 三维人脸图像生成方法、装置及电子设备 |
WO2020042720A1 (zh) * | 2018-08-28 | 2020-03-05 | 腾讯科技(深圳)有限公司 | 一种人体三维模型重建方法、装置和存储介质 |
CN110909814A (zh) * | 2019-11-29 | 2020-03-24 | 华南理工大学 | 一种基于特征分离的分类方法 |
CN111382496A (zh) * | 2018-12-29 | 2020-07-07 | 达索系统公司 | 学习用于推断可编辑特征树的神经网络 |
CN111657926A (zh) * | 2020-07-08 | 2020-09-15 | 中国科学技术大学 | 一种基于多导联信息融合的心律失常分类方法 |
CN113454678A (zh) * | 2019-03-06 | 2021-09-28 | 华为技术有限公司 | 三维面部扫描增强 |
CN114567359A (zh) * | 2022-03-02 | 2022-05-31 | 重庆邮电大学 | 一种大规模mimo系统中基于多分辨率融合卷积反馈网络的csi反馈方法 |
CN114821404A (zh) * | 2022-04-08 | 2022-07-29 | 马上消费金融股份有限公司 | 一种信息处理方法、装置、计算机设备及存储介质 |
-
2017
- 2017-06-08 CN CN201710429052.4A patent/CN107292950A/zh not_active Withdrawn
Non-Patent Citations (1)
Title |
---|
PENGFEI DOU 等: "end to end 3D face reconstruction with deep neural networks", 《网页在线公开:HTTPS://ARXIV.ORG/ABS/1704.05020》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876893A (zh) * | 2017-12-14 | 2018-11-23 | 北京旷视科技有限公司 | 三维人脸重建的方法、装置、系统及计算机存储介质 |
CN110097606B (zh) * | 2018-01-29 | 2023-07-07 | 微软技术许可有限责任公司 | 面部合成 |
CN110097606A (zh) * | 2018-01-29 | 2019-08-06 | 微软技术许可有限责任公司 | 面部合成 |
CN108399649A (zh) * | 2018-03-05 | 2018-08-14 | 中科视拓(北京)科技有限公司 | 一种基于级联回归网络的单张图片三维人脸重建方法 |
CN108510435A (zh) * | 2018-03-28 | 2018-09-07 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN108510573A (zh) * | 2018-04-03 | 2018-09-07 | 南京大学 | 一种基于深度学习的多视点人脸三维模型重建的方法 |
CN108629291A (zh) * | 2018-04-13 | 2018-10-09 | 深圳市未来媒体技术研究院 | 一种抗网格效应的人脸深度预测方法 |
CN108629291B (zh) * | 2018-04-13 | 2020-10-20 | 深圳市未来媒体技术研究院 | 一种抗网格效应的人脸深度预测方法 |
CN108805977A (zh) * | 2018-06-06 | 2018-11-13 | 浙江大学 | 一种基于端到端卷积神经网络的人脸三维重建方法 |
US11308675B2 (en) | 2018-06-14 | 2022-04-19 | Intel Corporation | 3D facial capture and modification using image and temporal tracking neural networks |
WO2019237299A1 (en) * | 2018-06-14 | 2019-12-19 | Intel Corporation | 3d facial capture and modification using image and temporal tracking neural networks |
WO2020037676A1 (zh) * | 2018-08-24 | 2020-02-27 | 太平洋未来科技(深圳)有限公司 | 三维人脸图像生成方法、装置及电子设备 |
US11302064B2 (en) | 2018-08-28 | 2022-04-12 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for reconstructing three-dimensional model of human body, and storage medium |
WO2020042720A1 (zh) * | 2018-08-28 | 2020-03-05 | 腾讯科技(深圳)有限公司 | 一种人体三维模型重建方法、装置和存储介质 |
CN109255830A (zh) * | 2018-08-31 | 2019-01-22 | 百度在线网络技术(北京)有限公司 | 三维人脸重建方法和装置 |
CN109255830B (zh) * | 2018-08-31 | 2020-06-05 | 百度在线网络技术(北京)有限公司 | 三维人脸重建方法和装置 |
CN109712228A (zh) * | 2018-11-19 | 2019-05-03 | 中国科学院深圳先进技术研究院 | 建立三维重建模型的方法、装置、电子设备及存储介质 |
CN109712228B (zh) * | 2018-11-19 | 2023-02-24 | 中国科学院深圳先进技术研究院 | 建立三维重建模型的方法、装置、电子设备及存储介质 |
CN111382496A (zh) * | 2018-12-29 | 2020-07-07 | 达索系统公司 | 学习用于推断可编辑特征树的神经网络 |
CN109924949A (zh) * | 2019-03-05 | 2019-06-25 | 北京工业大学 | 一种基于卷积神经网络的近红外光谱断层成像重建方法 |
CN113454678A (zh) * | 2019-03-06 | 2021-09-28 | 华为技术有限公司 | 三维面部扫描增强 |
CN110046576A (zh) * | 2019-04-17 | 2019-07-23 | 内蒙古工业大学 | 一种训练识别面部表情的方法和装置 |
CN110619676A (zh) * | 2019-09-18 | 2019-12-27 | 东北大学 | 一种基于神经网络的端到端的三维人脸重建方法 |
CN110619676B (zh) * | 2019-09-18 | 2023-04-18 | 东北大学 | 一种基于神经网络的端到端的三维人脸重建方法 |
CN110909814A (zh) * | 2019-11-29 | 2020-03-24 | 华南理工大学 | 一种基于特征分离的分类方法 |
CN110909814B (zh) * | 2019-11-29 | 2023-05-26 | 华南理工大学 | 一种基于特征分离的分类方法 |
CN111657926B (zh) * | 2020-07-08 | 2021-04-23 | 中国科学技术大学 | 一种基于多导联信息融合的心律失常分类方法 |
CN111657926A (zh) * | 2020-07-08 | 2020-09-15 | 中国科学技术大学 | 一种基于多导联信息融合的心律失常分类方法 |
CN114567359A (zh) * | 2022-03-02 | 2022-05-31 | 重庆邮电大学 | 一种大规模mimo系统中基于多分辨率融合卷积反馈网络的csi反馈方法 |
CN114821404A (zh) * | 2022-04-08 | 2022-07-29 | 马上消费金融股份有限公司 | 一种信息处理方法、装置、计算机设备及存储介质 |
CN114821404B (zh) * | 2022-04-08 | 2023-07-25 | 马上消费金融股份有限公司 | 一种信息处理方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292950A (zh) | 一种基于深度神经网络的端到端三维人脸重建方法 | |
Zhou et al. | Photorealistic facial expression synthesis by the conditional difference adversarial autoencoder | |
Varol et al. | Learning from synthetic humans | |
US12106554B2 (en) | Image sequence processing using neural networks | |
Martínez-González et al. | Efficient convolutional neural networks for depth-based multi-person pose estimation | |
Joshi et al. | Auto-colorization of historical images using deep convolutional neural networks | |
Kiruthika et al. | Impact and challenges of using of virtual reality & artificial intelligence in businesses | |
Chen et al. | Immersive experiences in digital exhibitions: The application and extension of the service theater model | |
Fukuda et al. | Virtual reality rendering methods for training deep learning, analysing landscapes, and preventing virtual reality sickness | |
Waldow et al. | Investigating the effect of embodied visualization in remote collaborative augmented reality | |
Di et al. | LWA-HAND: Lightweight attention hand for interacting hand reconstruction | |
Nishiyama et al. | Synthesizing realistic image-based avatars by body sway analysis | |
Peng et al. | ISFB-GAN: Interpretable semantic face beautification with generative adversarial network | |
Anvari et al. | Upper body pose estimation using deep learning for a virtual reality avatar | |
Li et al. | A simple and effective multi-person pose estimation model for low power embedded system | |
Guo | Simulation evaluation of virtual reality in interior design effect display and practice mode innovation | |
Rowland | Computer graphic control over human face and head appearance, genetic optimisation of perceptual characteristics. | |
Deng et al. | Real-time interaction for 3d pixel human in virtual environment | |
Xu et al. | Can relearning local representation help small networks for human pose estimation? | |
Wang et al. | SketchBodyNet: A Sketch-Driven Multi-faceted Decoder Network for 3D Human Reconstruction | |
Jiang et al. | SADNet: Generating immersive virtual reality avatars by real‐time monocular pose estimation | |
Curio et al. | Recognition of dynamic facial action probed by visual adaptation | |
Liu et al. | Temporal cues enhanced multimodal learning for action recognition in RGB-D videos | |
Hong et al. | A novel lightweight multimedia network for teacher pose estimation in classroom videos | |
Erkoç et al. | An observation based muscle model for simulation of facial expressions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20171024 |