论文介绍
最近基于卷积编码器-解码器架构和3DMM参数化的工作显示了从单个输入图像重建规范视图的巨大潜力。传统的CNN架构得益于利用输入和输出像素之间的空间对应关系。然而，在3D人脸重建中，输入图像（例如人脸）和标准/UV输出之间的空间失准使得特征编码解码过程非常具有挑战性。
在本文中，为了解决这个问题，我们提出了一种新的网络架构，即仿射卷积网络，它使基于CNN的方法能够处理空间上不对应的输入和输出图像，同时保持高保真质量输出。在我们的方法中，针对特征地图的每个空间位置，从仿射卷积层学习仿射变换矩阵。此外，我们使用多个组件表示UV空间中的3D人头，包括用于纹理表示的漫反射贴图、用于几何体表示的位置贴图和用于恢复真实世界中更复杂的照明条件的光照贴图。所有组件都可以在没有任何手动注释的情况下进行训练。我们的方法是无参数的，可以生成分辨率为512 x 512像素的高质量UV贴图，而以前的方法通常生成256 x 256像素或更小的贴图。
论文地址
https://dl.acm.org/doi/abs/10.1145/3503161.3548421
