wrk226的博客

本文的主要目的是为3D人脸模型创建一套基于SDF的非线性隐式表示，这有助于帮我们摆脱线性3DMM的局限性（比如网格密度有限导致不够精细，又比如线性表达无法囊括一些比较特殊的人脸及表情）。和别的隐式表示一样，输入模型的只有一个点，输出的是对应的SDF值，整个模型就可以想象成一个表示人脸的场，我们输入一个点就给我们一点信息，当输入点足够多的时候自然就能获得最终的3D重建结果了。而如何解析我们输入的这个点便是模型的重中之重，本文便将这个流程分为了三个部分：表情形变，身份形变和模板空间。通过对表情和身份的解耦来增强

简介 这篇文章做的是基于视频的迭代式3D人脸重建。文中结合了3DMM和隐式建模的思想，使得最终得到的3D人脸模型不仅非常真实，而且可以按照3DMM的方式进行编辑，最终生成的模型中可以看到完整的人头（包含口腔，牙齿，头发）。模型结构分为三个部分，每个部分都各用了一个占用场（occupancy field，和radiance field很像，文末会解释他们的区别），第一个部分用于将输入人脸变形到基准脸，第二个部分用于从基准脸中提取对应的几何信息，第三个部分用于提取对应的纹理信息。 模型结构 以下按照图

本文处理的问题是单图的3D人脸重建。特色是（1）使用了style gan对遮挡和由于角度原因的自遮挡部分做了补全，（2）用implicit representation创建了3D图像的隐式表达，用于优化基于3DMM预测出的形状。 文章分为两个大部分：1.纹理生成，2.基于纹理的形状优化 纹理生成 如上图左边所示，作者先用语义分割模型将图像中的遮挡部分扣掉，然后用styleGANv2做了图像补全，最后和原图融合从而获得最终的人脸纹理（2D图像中可见的部分）。 由于2D图像中只展示了部分纹理，不足.