无监督训练用于3D可变形模型回归

我们提出了一种仅使用未标记照片从图像像素到3D可变形模型坐标的回归网络训练方法。训练损失基于面部识别网络的特征，这些特征通过可微渲染器实时渲染预测的脸部来计算。为了使基于特征的训练成为可能并避免网络欺骗效应，我们引入了三个目标：批分布损失（batch distribution loss），该损失鼓励输出分布与可变形模型的分布相匹配；回环损失（loopback loss），该损失确保网络能够正确重新解释其自身的输出；多视图身份损失（multi-view identity loss），该损失从多个视角比较预测的3D脸部特征和输入照片的特征。我们使用这些目标、一组未标记的照片以及可变形模型本身来训练回归网络，并展示了最先进的结果。