本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

搞定這樣的人臉3D建模需要幾步？

在數(shù)據(jù)采集的階段，答案是：一部手機 + 3.5分鐘。

沒錯，僅憑這3.5分鐘的數(shù)據(jù)，就足以生成高保真、可驅(qū)動的真實3D人臉頭像。

這項研究來自Meta Reality Labs——就是扎克伯格元宇宙計劃里的那個核心部門。論文已經(jīng)被SIGGRAPH 2022接收。

作者提到，這一方法適用于VR應(yīng)用。

也就是說，在VR的世界里，以后你可能就不必頂著一張卡通臉登場了。

而是可以方便地與胖友們“真身”相見。

方法原理

實現(xiàn)這一結(jié)果的方法框架如下圖所示：

具體而言，分為三個部分。

首先，是要用大型多視角人臉數(shù)據(jù)集訓(xùn)練一個超網(wǎng)絡(luò)，這個超網(wǎng)絡(luò)可以通過神經(jīng)網(wǎng)絡(luò)解碼器產(chǎn)生專屬于個人的頭像參數(shù)。

數(shù)據(jù)集中的人臉由多視角捕捉系統(tǒng)采集，包括255位不同年齡、性別和種族參與者的面部圖像數(shù)據(jù)。

△左為圖像捕獲設(shè)備；右為采集到的人臉

這個捕獲3D人臉的巨型裝置是Meta在2019年研發(fā)的，其中配備171個高分辨率攝像頭，每秒能記錄180GB數(shù)據(jù)。采集時間在1個小時左右。

值得一提的是，在這個超網(wǎng)絡(luò)中，解碼器的基本組成模塊是帶有bias map的卷積上采樣層。

這些bias map會被用來生成體積單元，進而通過射線追蹤來渲染頭像。

另外，該解碼器結(jié)構(gòu)能夠?qū)⒁暰€與其他面部活動區(qū)分開，這在VR應(yīng)用中意味著能夠更直接地利用眼動跟蹤系統(tǒng)。

其次，是輕量級人臉表情捕捉。

在這項研究中，采集人臉只需要用到一部帶有深度攝像頭的智能手機。

實驗中，研究人員采用的是iPhone 12。

采集過程就像這樣：

采集到的數(shù)據(jù)要進行如下處理：

• 獲取每一幀人臉圖像中的幾何形狀和紋理；
• 對輸入的RGB圖像進行人臉標(biāo)志檢測和人像分割；
• 對模板網(wǎng)格進行擬合和變形，以匹配檢測到的人臉標(biāo)志物、分割輪廓和深度圖；
• 對每一幀圖像的紋理進行解包，而后匯總得到完整的人臉紋理。

在進一步完善模型的過程中，還需要采集65種特定的表情：

最后，該方法輸出的3D人臉頭像不僅能與用戶外觀高度匹配，通過全局表情空間，還能對其進行進一步的驅(qū)動、控制。

研究人員表示，整個采集過程大概要花費3.5分鐘。

不過需要說明的是，建模的過程不是實時的，數(shù)據(jù)處理還要花費數(shù)小時的時間。

實驗結(jié)果

說了這么多，效果如何，我們還是來看實驗結(jié)果。

與Pinscreen提出的“一張照片構(gòu)建3D數(shù)字化身”（CVPR 2021）的方法相比，該方法能生成更具真實感的人臉模型。

而與海德堡大學(xué)、慕尼黑工業(yè)大學(xué)、馬普所等研究機構(gòu)在Neural Head Avatars from Monocular RGB Videos一文中提出的方法相比，該方法能生成保真度更高的結(jié)果。

不過，作者也指出了該方法的局限性：hold不太住長發(fā)和眼鏡，容易產(chǎn)生偽影。另外，該方法對于光照條件也有一定要求。