Select Language

AI社区

公开数据集

CoMA 人脸3D视觉数据集

CoMA 人脸3D视觉数据集

2.23G
559 浏览
1 喜欢
2 次下载
0 条讨论
Face 3D Model

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......

数据结构 ? 2.23G

    Data Structure ?

    * 以上分析是由系统提取分析形成的结果,具体实际数据为准。

    README.md

    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/}
    }


    ×

    帕依提提提温馨提示

    该数据集正在整理中,为您准备了其他渠道,请您使用

    注:部分数据正在处理中,未能直接提供下载,还请大家理解和支持。
    暂无相关内容。
    暂无相关内容。
    • 分享你的想法
    去分享你的想法~~

    全部内容

      欢迎交流分享
      开始分享您的观点和意见,和大家一起交流分享.
    所需积分:20 去赚积分?
    • 559浏览
    • 2下载
    • 1点赞
    • 收藏
    • 分享