Core Concepts
本研究は、アイデンティティラベルのみを利用して、3Dフェイスの形状をアイデンティティとエクスプレッションの2つの要因に効果的に分離するモデルを提案する。
Abstract
本研究は、3Dフェイスモデリングにおける制御可能な生成モデルの構築を目的としている。従来の手法は、アイデンティティとエクスプレッションの分離に特定のラベルを必要としていたが、これは大規模なデータセットを統合する際の障壁となっていた。
提案手法では、以下の3つの主要な貢献により、弱教師付きでの効果的なディエンタングルを実現している:
ニュートラルバンクモジュール: アイデンティティラベルのみを利用して、各被験者のニュートラルな顔を擬似的に生成し、アイデンティティ情報の保持を促進する。
ラベルフリーの2次損失: エクスプレッション空間からのノイズ情報を排除するため、変形エネルギーを正則化する2次損失を導入する。
新しい3DMM: 提案手法に基づく3DMM (WSDF) を開発し、複数のデータセットを統合して学習することで、大幅な一般化性能の向上を実現する。
実験結果から、提案手法は従来手法と比較して優れた性能を示し、アイデンティティとエクスプレッションの効果的な分離と、高品質な3Dフェイス生成を実現できることが確認された。
Stats
提案手法のニュートラルバンクモジュールは、わずかな表情バリエーションしか観測されていない場合でも、各被験者のアイデンティティ情報を効果的に保持できる。
2次損失の導入により、エクスプレッション空間からのノイズ情報が除去され、より良好なディエンタングルが実現できる。
複数のデータセットを統合して学習することで、大幅な一般化性能の向上が確認された。
Quotes
"本研究は、アイデンティティラベルのみを利用して、3Dフェイスの形状をアイデンティティとエクスプレッションの2つの要因に効果的に分離するモデルを提案する。"
"ニュートラルバンクモジュールは、わずかな表情バリエーションしか観測されていない場合でも、各被験者のアイデンティティ情報を効果的に保持できる。"
"2次損失の導入により、エクスプレッション空間からのノイズ情報が除去され、より良好なディエンタングルが実現できる。"