当在真实场景中应用3d模拟来增加人脸识别精度,存在两类问题:要么3d模拟不稳定,导致同一个个体的3d模拟差异较大;要么过于泛化,导致大部分合成的图片都累死。因此作者研究了一种鲁棒的三维可变人脸模型(3D morphable face models(3DMM))生成方法。他们采用了卷积神经网络(CNN) 根据输入照片来调节三维人脸模型的脸型和纹理参数。该方法可以生成大量的标记样本。该方法在MICC数据集上进行了测试,准确度为state of the art。与3d-3d人脸比对流程相结合,作者在LFW,YTF和IJB-A数据集上与当前最好成绩持平。文章的关键点有两个:3D重建模型训练数据获取;3D重建模型训练