إعادة بناء الوجه ثلاثي الأبعاد مع النقاط المرجعية الكثيفة

تُؤدي العلامات المرجعية إلى دور محوري في تحليل الوجه، ولكن لا يمكن تمثيل العديد من جوانب الهوية أو التعبيرات باستخدام العلامات المرجعية المتناثرة وحدها. وبالتالي، لاستعادة الوجه بدقة أكبر، تُدمج العلامات المرجعية غالبًا مع إشارات إضافية مثل الصور العميقة أو تقنيات مثل التصوير القابل للتفاضل. هل يمكننا تبسيط الأمور من خلال استخدام عدد أكبر من العلامات المرجعية فقط؟ في هذا السياق، نقدم أول طريقة تُقدّر عددًا من العلامات المرجعية يساوي 10 أضعاف العدد المعتاد، وتغطي الرأس بالكامل، بما في ذلك العينين والأسنان. ويتم ذلك باستخدام بيانات تدريب اصطناعية تضمن تسمية دقيقة للعلامات المرجعية بشكل مثالي. وباستخدام نموذج مُناسب شكلًا (Morphable Model) لتناسب هذه العلامات المرجعية الكثيفة، نحقق نتائج رائدة في مجال استعادة الوجه ثلاثي الأبعاد من صورة واحدة في البيئات الطبيعية. ونُظهر أن العلامات المرجعية الكثيفة تمثل إشارة مثالية لدمج معلومات شكل الوجه عبر الإطارات، وذلك من خلال عرض التقاط أداء وجوه دقيق وتعبيرات واقعية في كل من السيناريوهات أحادية الرؤية ومتعددة الرؤى. كما أن هذا النهج يمتاز بكفاءة عالية جدًا: يمكننا التنبؤ بالعلامات المرجعية الكثيفة وتناسب النموذج ثلاثي الأبعاد للوجه بسرعة تزيد عن 150 إطارًا في الثانية على خيط معالجة واحد في وحدة المعالجة المركزية. يُرجى زيارة موقعنا: https://microsoft.github.io/DenseLandmarks/.