論文の概要: Multiple View Neural Regression of a Facial Shape Model

• arxiv url: http://arxiv.org/abs/2608.22655v1
• Date: Sun, 23 Aug 2026 23:31:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.821937
• Title: Multiple View Neural Regression of a Facial Shape Model
• Title（参考訳）: 顔形状モデルの多視点神経回帰
• Abstract要約: VarISは高解像度の立体形状と反射率マップを撮影するためのカスタム光球である。 合成多視点画像から再分類された顔メッシュを直接予測するために,ディープラーニングフレームワークを提案する。 このシステムは、人間の監督を最小限に抑えて、リギングとアニメーションに適した標準化されたメッシュを生成する。
• 参考スコア（独自算出の注目度）: 5.202950948929751
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Creating re-topologized 3D facial meshes is essential for high-quality facial animation but remains labor-intensive and time-consuming. This dissertation explores more efficient approaches for capturing production-ready facial meshes through: (1) the development of VarIS, a custom light sphere for capturing high-resolution stereo geometry and reflectance maps; (2) analysis of camera parameters affecting automatic 2D and 3D landmarking; (3) synthetic-data methods for training neural face regression; and (4) techniques for improving neural multi-view face-shape regression. While VarIS enables photorealistic face capture, its operational and processing costs motivate a more scalable approach. A deep learning framework is therefore proposed to directly predict re-topologized facial meshes from synthetic multiview images generated with Visage Craft, an in-house physically based rendering system using an Appearance 3D Morphable Model (A3DMM). The system produces standardized meshes ready for rigging and animation with minimal human supervision. Results show that incorporating accurate camera intrinsics and extrinsics improves landmark accuracy and geometric consistency, while 3D landmark regularization further improves reconstruction quality.
• Abstract（参考訳）: 高品質な顔アニメーションには、3Dの顔メッシュを再構成することは不可欠だが、労働集約的で時間を要する。 この論文は,(1)高分解能ステレオ幾何と反射率マップを捉えるためのカスタム光球であるVarISの開発,(2)自動2Dおよび3Dランドマークに影響を及ぼすカメラパラメータの解析,(3)ニューラルフェイス回帰を訓練するための合成データ手法,(4)ニューラルマルチビュー顔形状回帰を改善する技術などを通じて,生産可能な顔メッシュを捉えるためのより効率的なアプローチを探求する。 VarISは、フォトリアリスティックな顔撮影を可能にするが、その運用と処理のコストは、よりスケーラブルなアプローチを動機付けている。 そこで,Adearance 3D Morphable Model (A3DMM) を用いた社内物理ベースレンダリングシステムであるVisage Craftで生成した合成多視点画像から,深層学習による顔メッシュの再トポロジ化を直接予測する手法を提案する。 このシステムは、人間の監督を最小限に抑えて、リギングとアニメーションに適した標準化されたメッシュを生成する。 以上の結果から,正確なカメラ内在と外在を組み込むことで,ランドマークの精度と幾何的整合性が向上し,ランドマークの正規化により再構築品質が向上することが示唆された。

関連論文リスト

• GSwap: Realistic Head Swapping with Dynamic Neural Gaussian Field [66.31636070843516]
  GSwapは一貫したリアルなビデオヘッドスワッピングシステムで、ダイナミック・ニューラル・ガウシアン・ポートレートによって強化されている。 GSwapは、視覚的品質、時間的コヒーレンス、アイデンティティの保存、3D整合性など、様々な面で既存の手法を超越している。
  論文  参考訳（メタデータ） (2026-03-24T13:11:25Z)
• LHM: Large Animatable Human Reconstruction Model from a Single Image in Seconds [21.99354901986186]
  フィードフォワードパスで3次元ガウススプラッティングを表現した高忠実度アバターを推定するためのLHM(Large Animatable Human Reconstruction Model)を提案する。 本モデルでは,マルチモーダルトランスフォーマーアーキテクチャを用いて,人体の位置や画像の特徴を効果的に符号化する。 我々のLHMは、顔と手を後処理することなく、数秒で可塑性アニマタブルな人間を生成し、再現精度と一般化能力の両方において既存の手法より優れています。
  論文  参考訳（メタデータ） (2025-03-13T17:59:21Z)
• SPARK: Self-supervised Personalized Real-time Monocular Face Capture [6.093606972415841]
  現在の最先端技術では、パラメトリックな3D顔モデルを幅広いアイデンティティにわたってリアルタイムに再現することができる。 本稿では,被写体の制約のない映像を先行情報として活用し,高精度な3次元顔撮影手法を提案する。
  論文  参考訳（メタデータ） (2024-09-12T12:30:04Z)
• SMIRK: 3D Facial Expressions through Analysis-by-Neural-Synthesis [30.2749903946587]
  SMIRK(Spatial Modeling for Image-based Reconstruction of Kinesics)は、画像から表現力のある3次元顔を忠実に再構築する。 既存の手法では,自己指導型トレーニングの定式化における欠点と,訓練画像における表現の多様性の欠如の2つの重要な限界を識別する。 我々の質的,定量的,特に知覚的評価は、SMIRKが正確な表現再構成における新しい最先端技術を実現することを証明している。
  論文  参考訳（メタデータ） (2024-04-05T14:00:07Z)
• Neural Point-based Volumetric Avatar: Surface-guided Neural Points for Efficient and Photorealistic Volumetric Head Avatar [62.87222308616711]
  ニューラルポイント表現とニューラルボリュームレンダリングプロセスを採用したフルネーム(名前)を提案する。 具体的には、ニューラルポイントは高分解能UV変位マップを介してターゲット表現の表面を戦略的に拘束する。 設計上は,アバターをアニメーションする際の正確な表現制御を確保しつつ,地形的に変化する領域や細い構造を扱えるように設計されている。
  論文  参考訳（メタデータ） (2023-07-11T03:40:10Z)
• Video-driven Neural Physically-based Facial Asset for Production [33.24654834163312]
  高品質な物理的資産を持つ動的顔のジオメトリを生成するための,学習に基づく新しいビデオ駆動型アプローチを提案する。 本手法は,従来の映像駆動型顔再構成法やアニメーション法よりも精度が高く,視覚的忠実度が高い。
  論文  参考訳（メタデータ） (2022-02-11T13:22:48Z)
• 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)
• Neural Descent for Visual 3D Human Pose and Shape [67.01050349629053]
  入力RGB画像から3次元のポーズと形状を復元するディープニューラルネットワーク手法を提案する。 我々は最近導入された表現力のあるボディ統計モデルGHUMに頼っている。 我々の方法論の中心は、HUmanNeural Descent (HUND)と呼ばれるアプローチの学習と最適化である。
  論文  参考訳（メタデータ） (2020-08-16T13:38:41Z)

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。