초록
3D 변형 가능한 기반 함수를 딥 뉴럴 네트워크에 임베딩하는 것은 더 우수한 표현 능력을 가진 모델의 큰 잠재력을 열어줍니다. 그러나 이미지 컬렉션에서 이러한 모델을 충실하게 학습하기 위해서는 학습 과정에서 발생하는 모호성을 극복하기 위한 강력한 정규화가 필요합니다. 이는 세부적으로 얼굴 이미지를 표현하기 위해 필요한 고충실도 얼굴 모델을 학습하는 것을 결정적으로 방해합니다. 이 문제를 해결하기 위해 본 논문에서는 강력한 정규화를 우회하고 상세한 형태/알베도를 촉진하는 수단으로 추가적인 프록시를 학습하는 새로운 접근법을 제안합니다. 학습을 용이하게 하기 위해, 우리는 전역 및 국소 기반 모델 간의 균형을 이루는 신중하게 설계된 아키텍처인 듀얼-패스웨이 네트워크의 사용을 제안합니다. 학습 목표와 네트워크 아키텍처 모두에서 비선형 3D 변형 가능한 모델을 개선함으로써, 우리는 선형 또는 그 이전의 비선형 대응물보다 더 높은 수준의 세부 정보를 포착하는 데 우월한 모델을 제시합니다. 결과적으로, 우리의 모델은 잠재 표현만으로 최적화하여 3D 얼굴 재구성에서 최고 수준의 성능을 달성하였습니다.