要約
3次元可変形基底関数を深層ニューラルネットワークに埋め込むことで、表現力の高いモデルの可能性が大きく開かれます。しかし、画像コレクションからこれらのモデルを忠実に学習するためには、学習プロセスに含まれる曖昧性を克服するために強い正則化が必要です。これは、詳細な顔画像を表現するために必要な高精度の顔モデルの学習を大幅に妨げています。この問題に対処するため、本論文では新たなアプローチを提案します。このアプローチは、強力な正則化を迂回する追加の代理変数を学習し、詳細な形状やアルベド（albedo）の促進にも役立ちます。学習を容易にするために、さらにグローバルベースと局所ベースのモデル間でバランスを取りつつ設計されたデュアルパスウェイネットワークを使用することも提案します。非線形3次元可変形モデルの学習目標とネットワーク構造双方において改善することで、線形またはその先駆的な非線形モデルよりも高いレベルの詳細を捉える能力を持つモデルを開発しました。その結果、潜在表現のみを最適化することで3次元顔再構成における最先端の性能を達成しています。