摘要

面部的3D形状众所周知具有辨识性。然而，尽管如此，它们很少被用于人脸识别，并且仅在受控的观察条件下使用。我们认为，这是现有单视图3D人脸重建方法存在一个严重但常被忽视的问题的症状：当应用于“野外”环境时，这些方法生成的3D估计要么不稳定，对于同一对象的不同照片结果不同，要么过度正则化而变得泛化。为此，我们提出了一种稳健的方法来回归具有辨识性的3D可变形人脸模型（3DMM）。我们使用卷积神经网络（CNN）直接从输入照片回归3DMM的形状和纹理参数。为了克服为此目的所需的训练数据不足的问题，我们提供了一种生成大量带标签示例的方法。我们的CNN生成的3D估计在MICC数据集上的准确性超过了现有最先进水平。结合3D-3D人脸匹配流程，我们首次展示了在LFW、YTF和IJB-A基准测试中使用3D人脸形状作为表示的人脸识别结果，其性能与其他现代系统使用的不透明深度特征向量相当。