論文の概要: 3D Facial Imperfection Regeneration: Deep learning approach and 3D printing prototypes

• arxiv url: http://arxiv.org/abs/2303.14381v1
• Date: Sat, 25 Mar 2023 07:12:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 20:11:27.300290
• Title: 3D Facial Imperfection Regeneration: Deep learning approach and 3D printing prototypes
• Title（参考訳）: 3次元顔面不完全再生 : 深層学習と3Dプリンティングプロトタイプ
• Authors: Phuong D. Nguyen, Thinh D. Le, Duong Q. Nguyen, Thanh Q. Nguyen, Li-Wei Chou, H. Nguyen-Xuan
• Abstract要約: 本研究では, 完全畳み込みメッシュオートエンコーダモデルを用いて, 不完全領域の存在下での3次元自然面の再生の可能性について検討した。 深層学習の手法をグラフ処理と解析に応用し,顔の傷の補充部を再現する能力モデルについて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study explores the potential of a fully convolutional mesh autoencoder model for regenerating 3D nature faces with the presence of imperfect areas. We utilize deep learning approaches in graph processing and analysis to investigate the capabilities model in recreating a filling part for facial scars. Our approach in dataset creation is able to generate a facial scar rationally in a virtual space that corresponds to the unique circumstances. Especially, we propose a new method which is named 3D Facial Imperfection Regeneration(3D-FaIR) for reproducing a complete face reconstruction based on the remaining features of the patient face. To further enhance the applicable capacity of the present research, we develop an improved outlier technique to separate the wounds of patients and provide appropriate wound cover models. Also, a Cir3D-FaIR dataset of imperfect faces and open codes was released at https://github.com/SIMOGroup/3DFaIR. Our findings demonstrate the potential of the proposed approach to help patients recover more quickly and safely through convenient techniques. We hope that this research can contribute to the development of new products and innovative solutions for facial scar regeneration.
• Abstract（参考訳）: 本研究では,完全畳み込みメッシュオートエンコーダモデルによる不完全領域の存在下での3次元自然顔の再生の可能性について検討する。 深層学習の手法をグラフ処理と解析に応用し,顔の傷の補充部を再現する能力モデルについて検討する。 データセット作成における我々のアプローチは、ユニークな状況に対応する仮想空間において合理的に顔の傷を生じることができる。 特に,患者の顔の残存特徴に基づき,完全な顔再建を再現する3d顔不完全再生(3d-fair)という新しい方法を提案する。 本研究の適用能力をさらに高めるため,患者の創傷を分離し,適切な創傷カバーモデルを提供する改良されたアウトリーチ技術を開発した。 また、不完全な顔とオープンコードのCir3D-FaIRデータセットがhttps://github.com/SIMOGroup/3DFaIRでリリースされた。 本研究は,患者が簡便な方法でより迅速かつ安全に回復するためのアプローチの可能性を示すものである。 この研究が新たな製品開発に寄与し、顔の傷跡再生のための革新的なソリューションを期待する。

関連論文リスト

• FitDiff: Robust monocular 3D facial shape and reflectance estimation using Diffusion Models [79.65289816077629]
  拡散型3次元顔アバター生成モデルFitDiffを提案する。 本モデルでは,「近距離」2次元顔画像から抽出したアイデンティティ埋め込みを利用して,再現性のある顔アバターを高精度に生成する。 FitDiffは、顔認識の埋め込みを前提とした最初の3D LDMであり、一般的なレンダリングエンジンで使用可能な、ライティング可能な人間のアバターを再構築する。
  論文  参考訳（メタデータ） (2023-12-07T17:35:49Z)
• Advancing Wound Filling Extraction on 3D Faces: Auto-Segmentation and Wound Face Regeneration Approach [0.0]
  本稿では,2ストリームグラフ畳み込みネットワークを用いた3次元顔傷セグメントの自動生成手法を提案する。 セグメンテーションモデルに基づいて、3次元顔の創傷充填体を抽出するための改良されたアプローチを提案する。 提案手法は, テストスイートにおいて0.9999986%の精度を達成し, 従来手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-07-04T17:46:02Z)
• Fast refacing of MR images with a generative neural network lowers re-identification risk and preserves volumetric consistency [5.040145546652933]
  本稿では,3次元条件生成対向ネットワークに基づく3次元T1重み付きスキャンのための顔の匿名化手法を提案する。 提案手法は顔生成に9秒を要し, 顔の変形後の一貫した後処理結果の復元に適している。
  論文  参考訳（メタデータ） (2023-05-26T13:34:14Z)
• Application of Self-Supervised Learning to MICA Model for Reconstructing Imperfect 3D Facial Structures [0.05999777817331315]
  本稿では, 3次元プリント可能な出力を出力する, 欠陥のある顔構造を再生する革新的な方法を提案する。 本研究は, 傷跡を隠蔽し, 識別不能な傷跡を伴わない包括的顔面再建を実現するためのモデルの有用性を強調した。
  論文  参考訳（メタデータ） (2023-04-08T16:13:30Z)
• High-fidelity Facial Avatar Reconstruction from Monocular Video with Generative Priors [29.293166730794606]
  そこで本研究では,3次元認識による顔アバターの再構成手法を提案する。 既存の作品と比較すると、優れた新規ビュー合成結果と忠実に再現性能が得られる。
  論文  参考訳（メタデータ） (2022-11-28T04:49:46Z)
• 3DMM-RF: Convolutional Radiance Fields for 3D Face Modeling [111.98096975078158]
  本稿では,1つのパスを1つのパスで合成し,必要なニューラルネットワークのレンダリングサンプルのみを合成するスタイルベースの生成ネットワークを提案する。 このモデルは、任意のポーズと照明の顔画像に正確に適合し、顔の特徴を抽出し、制御可能な条件下で顔を再レンダリングするために使用できることを示す。
  論文  参考訳（メタデータ） (2022-09-15T15:28:45Z)
• AvatarMe++: Facial Shape and BRDF Inference with Photorealistic Rendering-Aware GANs [119.23922747230193]
  そこで本研究では,レンダリング可能な3次元顔形状とBRDFの再構成を,単一の"in-the-wild"画像から実現した最初の手法を提案する。 本手法は,1枚の低解像度画像から,高解像度の3次元顔の再構成を行う。
  論文  参考訳（メタデータ） (2021-12-11T11:36:30Z)
• Fast-GANFIT: Generative Adversarial Network for High Fidelity 3D Face Reconstruction [76.1612334630256]
  我々は、GAN(Generative Adversarial Networks)とDCNN(Deep Convolutional Neural Networks)の力を利用して、単一画像から顔のテクスチャと形状を再構築する。 3次元顔再構成を保存したフォトリアリスティックでアイデンティティに優れた結果を示し, 初めて, 高精度な顔テクスチャ再構成を実現する。
  論文  参考訳（メタデータ） (2021-05-16T16:35:44Z)
• 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)
• Learning Complete 3D Morphable Face Models from Images and Videos [88.34033810328201]
  本稿では,画像やビデオから顔形状,アルベド,表現の完全な3次元モデルを学ぶための最初のアプローチを提案する。 既存の手法よりも,学習モデルの方がより一般化し,高品質な画像ベース再構築につながることを示す。
  論文  参考訳（メタデータ） (2020-10-04T20:51:23Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。