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。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181027G0UDYI00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券