摘要

地标在人脸分析中通常发挥着关键作用，但许多身份特征或表情细节仅靠稀疏的地标难以充分表达。因此，为了更准确地重建人脸，通常会将地标与其他信号（如深度图像）或技术（如可微分渲染）结合使用。那么，我们是否可以通过增加地标数量来简化这一过程？针对这一问题，我们提出了首个能够精确预测常规数量10倍以上地标的方法，覆盖整个头部区域，包括眼睛和牙齿等细节。该方法基于合成训练数据实现，确保了标注的绝对准确性。通过将可变形人脸模型（morphable model）拟合到这些密集地标上，我们在单目野外环境下实现了当前最先进的3D人脸重建效果。我们进一步证明，密集地标是一种理想的跨帧融合人脸形状信息的信号，能够在单目和多视角场景下均实现高精度、富有表现力的人脸动作捕捉。此外，该方法具有极高的效率：仅需单个CPU线程，即可实现每秒超过150帧的密集地标预测与3D人脸模型拟合。更多信息请访问我们的项目主页：https://microsoft.github.io/DenseLandmarks/。