3D【6】人脸重建:Multilinear Autoencoder for 3D Face Model Learning

本文介绍了一种使用Multilinear Autoencoder进行3D人脸模型学习的方法,不同于传统的3D人脸重建技术,该模型直接从未经处理的3D mesh输入,通过Resnet-18和全连接层获取深度图,再利用预训练的核心张量进行Tensor-based reconstruction。模型采用几何损失和重构系数损失函数优化,以确保预测的3D mesh质量和类别一致性。预训练步骤增强了模型的性能,为3D人脸重建提供新思路。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

该论文输入的是一个扫描的3d mesh,输出是一个顶点数的3d mesh。这个过程很像NICP的3d人脸配准过程,但是NICP是一个优化的过程。而该方法在学习好了网络后,可以直接使用。使用GPU的话,速度应该可以非常快。

该论文还为利用CNN重建3D人脸提供了另一种思路。目前看到的用CNN进行3D人脸重建,其输出要么是3DMM的系数(没有人脸的真是深度信息),要么是将mesh立方体化(一个n1×n2×n3的矩阵,顶点数不固定)。而该论文学习的是论文Learning the Multilinear Structure of Visual Data [1]中的核心张量M,并且预测每个mesh的重构系数 W W 。这样就能够使得预测出来的mesh顶点数一样;但是,对于是否能够预测出真实的人脸深度信息有待实验验证。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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