3D视觉：计算机视觉顶会论文及源代码分享

【码上一课】该专栏于每日不定时更新，更新内容主要为人工智能与深度学习领域的论文开源源代码，欢迎大家关注订阅小编，让知识分享于你我他之间！

文章推荐一

Face Alignment in Full Pose Range: A 3D Total Solution.

源码链接：https://github.com/cleardusk/3DDFA

论文链接：https://arxiv.org/pdf/1804.01005.pdf

摘要： 面部对齐已成为计算机视觉领域人脸识别中的一个重要主题。但是，大多数算法都是针对中小姿态（偏角小于45°）的人脸而设计的，这些人无法在高达90°的大幅角度变化中对齐脸部。这里挑战是三重的，首先，常用的人脸特征点模型假设是假设所有特征点都是可见的，因此不适合大幅度的变化；其次，从正面视图到轮廓视图，面部外观在大幅度的变化上更大；最后，由于必须猜测看不到的特征点，因此大角度变化的特征点检测极具挑战性。在本文中，建议在称为3D密集面对齐（3DDFA）的新对齐框架中解决这三个挑战，其中通过级联卷积神经网络将密集的3D可变模型（3DMM）拟合到图像。另外还利用3D信息在剖面视图中合成人脸图像，以提供丰富的训练样本。在具有挑战性的AFLW数据库上的实验表明，所提出的方法相对于最先进的方法实现了显着的改进。

文章推荐二

Dense 3D Regression for Hand Pose Estimation.

源码链接：https://github.com/melonwan/denseReg

论文链接：https://arxiv.org/pdf/1711.08996.pdf

摘要：本文从单个深度帧出发提出了一种简单有效的3D手姿态估计方法。与先前基于整体3D回归的最先进方法相反，本文方法适用于密集像素方式估计。这是通过在姿势参数化中仔细设计选择来实现的，该参数化利用了深度图的2D和3D属性。具体地，将姿势参数分解为一组每像素估计，即2D热图，3D热图和单位3D方向矢量场。 2D / 3D联合热图和3D联合偏移量是通过多任务网络级联估算的，该级联网络是端到端训练的。按像素估计可以直接转换为投票，然后使用均值平移的变体来聚合局部投票，同时通过设计在估计的3D姿势和逐像素的2D和3D之间的估计。