摘要

将三维可变形基函数嵌入深度神经网络为具有更强表示能力的模型开辟了巨大的潜力。然而，要从图像集合中忠实地学习这些模型，需要强大的正则化来克服学习过程中涉及的不确定性。这严重阻碍了我们学习高保真度的人脸模型，而这些模型对于在高细节水平上表示人脸图像至关重要。为了解决这一问题，本文提出了一种新颖的方法，通过学习额外的代理变量来规避强正则化，并促进详细的形状/反照率建模。为了简化学习过程，我们还提出使用双路径网络，这是一种精心设计的架构，能够在全局和局部模型之间取得平衡。通过改进非线性三维可变形模型的学习目标和网络架构，我们展示了一个在捕捉更高层次细节方面优于线性或其先前非线性版本的模型。因此，我们的模型仅通过优化潜在表示，在三维人脸重建任务上达到了最先进的性能。