面向快速、准确且稳定的三维密集面部对齐

现有的三维密集面部对齐方法主要集中在精度上，从而限制了其实际应用的范围。本文提出了一种名为3DDFA-V2的新回归框架，旨在平衡速度、精度和稳定性。首先，在轻量级骨干网络的基础上，我们提出了一种元关节优化策略，用于动态回归一小组3DMM参数，这在很大程度上同时提高了速度和精度。为了进一步提高视频中的稳定性，我们引入了一种虚拟合成方法，将一张静态图像转换为包含平面内和平面外面部运动的短片段。在保证高精度和稳定性的前提下，3DDFA-V2在单个CPU核心上运行速度超过50帧每秒，并且性能优于其他最先进的重型模型。我们在多个具有挑战性的数据集上的实验验证了该方法的有效性。预训练模型和代码可在https://github.com/cleardusk/3DDFA_V2 获取。