摘要
在计算机视觉领域，三维人脸重建是一个非常热门的研究方向。三维人脸重建方法的目标是根据已有的二维人脸图像，构建出真实且高精度的三维人脸。由三维人脸重建算法恢复的三维人脸可以应用于影视、动画和医学等领域。三维人脸重建技术可作为辅助技术用于人脸编辑和人脸识别等研究方向。 现有的基于深度学习的三维人脸重建方法无法生成真实的人脸纹理和精确的人脸形状，对于多样性原始图像重建人脸的鲁棒性不够好。为了生成更加真实且精确的人脸，将人脸当作图结构并使用图神经网络进行处理。提出了一个人脸纹理精细化模型，采用图卷积神经网络生成更加真实的人脸纹理。该模型通过图卷积神经网络对人脸纹理精细化处理，并使用一致性损失函数训练模型提高模型的鲁棒性。提出了一个结合图注意力机制的人脸纹理精细化模型学习人脸网格顶点之间的相关性。该模型在图卷积的基础上添加了图注意力机制。为使模型的稳定性更好，将图注意力机制替换成多头注意力。在人脸纹理精细化模型的基础上，提出了一个人脸纹理形状联合重建模型以进一步提高人脸形状重建精度和人脸对齐性能，为了减轻单一数据集的偏好性对模型性能的影响，使用多数据集作为模型的训练数据。 重建人脸对比实验表明，人脸纹理精细化模型能够生成更加真实的人脸纹理，使用一致性损失能提高模型的性能和稳定性，模型性能提升了3%以上。结合图注意力人脸纹理精细化模型相关实验表明，人脸网格的顶点之间存在一定的关系，结合注意力机制的模型能改善人脸纹理在细微处的表现，结合多头注意力机制的模型稳定性更好。人脸对齐对比实验表明，人脸纹理形状联合重建模型在小偏航角下人脸对齐性能提高了1.4%以上。
NETL