3D人脸重建之DECA_learning an animatable detailed 3d face model from

论文：Learning an Animatable Detailed 3D Face Model from In-The-Wild Images

Github：https://github.com/YadiraF/DECA

 

论文提出了基于单张彩色图片进行3d人脸重建的方法DECA(Detailed Expression Capture and Animation) ，在 Nvidia Quadro RTX 5000上可以达到120fps。

row 1：原始输入样本数据

row 2：粗糙的形状回归

row 3：具体细节的形状回归

row 4：再现的形状回归

row 5：再现的具体细节的形状回归

 

主要贡献：

1. 首次提出使用户外照片生成3d人脸，并且可以通过改变表情参数，合成可信的人脸几何细节。
2. 一个新颖的细节连续loss（ detail consistency loss ）被提出，用来将人脸细节中的ID 和表情独立区分出来。
3. 相比于之前的人脸重建方法，本文的方法对遮挡，光照，姿态变化都更加鲁棒。这要归功于低分辨率的细节表示，细节分离，和基于大量的户外数据训练。
4. 在2个不同的 benchmark上取得了 State-of-the-art的效果。
5. 公开了代码和模型

 

基础知识：

FLAME是一个结合了线性人脸形状，基于 linear blend skinning (LBS) 的表情空间，表达脖子，下巴，眼球的姿态独立矫正空间，的统计人脸模型。FLAME输出5023个人脸关键点。

Β：人脸实体

Θ：人脸姿态

Ψ：人脸表情

T：三维空间的旋转变换

J：三维空间的所有人脸关键点

W：线性平滑操作

其中，三维空间的旋转变换T具体表示如下，

T：0姿态的平均模版

BS：混合形状

BP ：表情校正

BE：表情混合

 

Appearance model：

FLAME没有视觉模型，因此将Basel Face模型的PCA空间转化为FLAME的UV空间。

Camera model:

这里采用正交投影相机。

其中，M表示顶点， Π表示2*3的正交投影矩阵，s表示尺度变换，t表示平移变换。

Illumination model：

光照模型基于球面谐波（ Spherical Harmonics ）

其中，A表示反射率，N表示表面法向量，B表示阴影纹理

Texture rendering:

其中，R表示渲染函数，

由于较低的mesh分辨率的限制，FLAME模型的中频细节容易丢失。

 

本文方法：

DECA模型分为粗糙的人脸重建Ec（resnet50构成）,精细的人脸重建Ed。具体的Ec包括了相机c，反射率ɑ，光照l，形状β，姿态θ，表情Ψ。Ed包括了细节δ。

 

粗糙的人脸重建：

粗糙模型使用了前100个FLAME的形状参数β，50个表情参数Ψ，50个反射率参数ɑ。粗糙的人脸重建Ec一共预测236维的latent空间。这里使用的2d关键点有68个。

粗糙模型的损失包括了人脸关键点的损失 Llmk，眼睛闭合的损失 Leye，基于照片的损失 Lpho，ID损失 Lid，形状连续损失 Lsc，正则化损失 Lreg。

 

人脸关键点的损失 Llmk，

眼睛闭合的损失 Leye，

计算上下眼皮的相对偏移。E表示上下眼皮的关键点对。

 

基于照片的损失 Lpho，

计算输入图片和渲染后图片的loss， VI表示人脸mask，皮肤区域为1，其他区域为0。

 

ID损失 Lid，

这里使用预训练的人脸识别网络，计算cos距离。

 

形状连续损失 Lsc，

同一个人的两张图 Ii，Ij，应该有相同的输出 βi，βj

 

正则化损失 Lreg，

形状正则化，

表情正则化，

反射率正则化，

 

精细的人脸重建：

精细的人脸重建损失，包含了照片细节损失 LphoD， ID-MRF损失 Lmrf，软对称性损失 Lsym，细节正则化损失 LregD。

 

照片细节损失 LphoD，

VI表示皮肤可见区域的mask

 

ID-MRF损失 Lmrf，

隐马尔可夫损失Implicit Diversified Markov Random Fields (ID-MRF) ，通过使用 conv3 2 ， conv4 2这2个卷积层的输出来计算，并且只计算UV空间的皮肤区域。

软对称性损失 Lsym，

Vuv表示UV空间人脸区域的mask，

flip表示水平镜像操作

 

细节正则化损失 LregD，

通过细节正则化来减少噪声。

 

数据集：

VGGFace2 , BUPT-Balancedface ，VoxCeleb2 共200w的数据。

网络输入图片为224*224，UV空间为256维。

 

实验结果：

 

总结：

（1）形状连续loss使得模型具有非常好的效果

（2）DECA中的反射模型依赖 Basel face，缺少种族多样性和面部头发。

（3）尽管具有很好的鲁棒性，但是对大姿态，大光照的情况也会失败。