Fugu-MT 論文翻訳(概要): Normal and Visibility Estimation of Human Face from a Single Image

論文の概要: Normal and Visibility Estimation of Human Face from a Single Image

arxiv url: http://arxiv.org/abs/2203.04647v1
Date: Wed, 9 Mar 2022 11:20:42 GMT
ステータス: 処理完了
システム内更新日: 2022-03-10 16:27:10.510621
Title: Normal and Visibility Estimation of Human Face from a Single Image
Title（参考訳）: 単一画像からの人間の顔の正常・可視性推定
Authors: Fuzhi Zhong, Rui Wang, Yuchi Huo, Hujun Bao
Abstract要約: このような光伝達関数は、表面の正常性に関連する可視性と余弦項に分解可能であることを示す。そこで本研究では,実世界の画像のトレーニングにおいて,再構成損失を伴う深層学習に基づくアプローチを提案する。
参考スコア（独自算出の注目度）: 30.860908179799612
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent work on the intrinsic image of humans starts to consider the visibility of incident illumination and encodes the light transfer function by spherical harmonics. In this paper, we show that such a light transfer function can be further decomposed into visibility and cosine terms related to surface normal. Such decomposition allows us to recover the surface normal in addition to visibility. We propose a deep learning-based approach with a reconstruction loss for training on real-world images. Results show that compared with previous works, the reconstruction of human face from our method better reveals the surface normal and shading details especially around regions where visibility effect is strong.
Abstract（参考訳）: 近年の人間固有の画像の研究は、入射照明の可視性を考慮し始め、球面調和による光伝達関数を符号化している。本稿では,このような光伝達関数を,表面の正規性に関連する可視性と余弦項に分解することができることを示す。このような分解により、可視性に加えて表面の正常性を取り戻すことができる。本稿では,実世界画像の学習のための再構成損失を用いた深層学習手法を提案する。以上の結果から,従来の作品と比較して,視認性効果が強い地域では,表面の正常さやシェーディングの詳細がよりよく明らかとなった。

関連論文リスト

Robust Geometry and Reflectance Disentanglement for 3D Face Reconstruction from Sparse-view Images [12.648827250749587]
本稿では,スパースビュー画像から人間の顔を再構成するための新しい2段階のアプローチを提案する。本手法は, 周囲光からの形状, 拡散反射, スペクトル反射など, 顔の特徴を分解することに焦点を当てている。
論文参考訳（メタデータ） (2023-12-11T03:14:58Z)
TensoIR: Tensorial Inverse Rendering [51.57268311847087]
テンソルIRはテンソル分解とニューラルフィールドに基づく新しい逆レンダリング手法である。 TensoRFは、放射場モデリングのための最先端のアプローチである。
論文参考訳（メタデータ） (2023-04-24T21:39:13Z)
ReFu: Refine and Fuse the Unobserved View for Detail-Preserving Single-Image 3D Human Reconstruction [31.782985891629448]
シングルイメージの3次元再構成は,1枚の画像から人体の3次元テクスチャ面を再構築することを目的としている。提案するReFuは、投影された背景像を精細化し、その精細な画像を融合して最終人体を予測するための粗大なアプローチである。
論文参考訳（メタデータ） (2022-11-09T09:14:11Z)
LTT-GAN: Looking Through Turbulence by Inverting GANs [86.25869403782957]
本稿では,よく訓練されたGANによってカプセル化された視覚的事前情報を利用した最初の乱流緩和手法を提案する。視覚的先行性に基づき、周期的な文脈距離で復元された画像の同一性を維持することを学ぶことを提案する。本手法は, 回復した結果の視覚的品質と顔認証精度の両方において, 先行技術よりも優れていた。
論文参考訳（メタデータ） (2021-12-04T16:42:13Z)
Inverting Generative Adversarial Renderer for Face Reconstruction [58.45125455811038]
本稿では,GAR(Generative Adversa Renderer)について紹介する。 GARは、グラフィックルールに頼るのではなく、複雑な現実世界のイメージをモデル化することを学ぶ。本手法は,複数顔再構成における最先端性能を実現する。
論文参考訳（メタデータ） (2021-05-06T04:16:06Z)
Towards Real-World Blind Face Restoration with Generative Facial Prior [19.080349401153097]
盲目の顔の復元は通常、現実的で忠実な詳細を復元するために、顔の形状の事前または参照などの顔の優先度に依存します。本稿では,前訓練顔GANにカプセル化される多彩で多様な前駆体を利用してブラインドフェイス修復を行うGFP-GANを提案する。本手法は,合成データと実世界データの両方において,先行技術よりも優れた性能を実現する。
論文参考訳（メタデータ） (2021-01-11T17:54:38Z)
Uncalibrated Neural Inverse Rendering for Photometric Stereo of General Surfaces [103.08512487830669]
本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
論文参考訳（メタデータ） (2020-12-12T10:33:08Z)
Face Forgery Detection by 3D Decomposition [72.22610063489248]
顔画像は、基礎となる3次元幾何学と照明環境の介入の産物とみなす。顔画像を3次元形状、共通テクスチャ、アイデンティティテクスチャ、周囲光、そして直接光に切り離すことで、悪魔は直接光とアイデンティティテクスチャの中に横たわる。直接光と識別テクスチャを組み合わせた顔のディテールを,微妙な偽造パターンを検出する手がかりとして活用することを提案する。
論文参考訳（メタデータ） (2020-11-19T09:25:44Z)
Monocular Reconstruction of Neural Face Reflectance Fields [0.0]
顔の反射場は、複雑な照明効果の原因となる反射特性を記述する。モノクル画像から顔の反射率を推定する既存の手法は、特異成分を加えるアプローチはほとんどないが、顔は拡散していると仮定している。顔反射に対する新しいニューラル表現法を提案し、単一の単眼画像から最終出現に寄与する反射の全ての成分を推定する。
論文参考訳（メタデータ） (2020-08-24T08:19:05Z)
Learning Inverse Rendering of Faces from Real-world Videos [52.313931830408386]
既存の方法は、顔画像を3つの構成要素(アルベド、ノーマル、照明)に分解する。本稿では,アルベドと正常の整合性の仮定に基づいて,我々のモデルを実顔ビデオでトレーニングするための弱い教師付きトレーニング手法を提案する。私たちのネットワークは、実データと合成データの両方で訓練されています。
論文参考訳（メタデータ） (2020-03-26T17:26:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。