学会的人脸3D表示对于计算机视觉问题（例如从图像中进行3D脸部跟踪和重建）以及图形应用程序（例如角色生成和动画）很有用。传统模型使用线性子空间或高阶张量概括来学习人脸的潜在表示。由于这种线性，它们无法捕获极端变形和非线性表达式。为了解决这个问题，我们引入了一种通用模型，该模型使用网格表面上的频谱卷积来学习人脸的非线性表示。我们引入了网格采样操作，该操作启用了分层网格表示，可以捕获模型中多个比例的形状和表达式的非线性变化。在变分设置中，我们的模型从多元高斯分布中采样了各种逼真的3D面。我们的训练数据包括在12个不同主题上捕获的20,466个极端表情网格。尽管训练数据有限，但我们的训练模型优于最新的人脸模型，其重建误差降低了50％，而参数却减少了75％。我们还表明，用我们的自动编码器替换现有的最新人脸模型的表达空间，可以降低重建误差。

Referencing the Dataset

Here are the Bibtex snippets for citing COMA in your work.

@inproceedings{COMA:ECCV18,
    title = {Generating {3D} faces using Convolutional Mesh Autoencoders},
    author = {Ranjan, Anurag and Bolkart, Timo and Sanyal, Soubhik and Black, Michael J.},
    booktitle = {European Conference on Computer Vision (ECCV)},
    pages = {725--741},
    year = {2018}
    url = {http://coma.is.tue.mpg.de/}
}