1
本篇論文發表于 SIGGRAPH 2017，并入選 Technical Papers Preview Trailer。為便于非專業人士閱讀，以下介紹盡量不夾帶英文和公式，也盡量精簡扼要。
關鍵詞：Face Modeling, Face Database, Deep Learning, Face Caricatures, Gestures, Sketch-Based Modeling
論文鏈接：DeepSketch2Face: A Deep Learning Based Sketching System for 3D Face and Caricature Modeling
簡介
臉部建模一直是計算機圖像和視覺領域的熱門話題，包括卡通人物建模、人臉藝術設計、人臉實時重構等等，尤其是交互式人臉建模。我們構建了一個快速的、交互的、基于深度學習的人臉建?？蚣堋Ｍㄟ^簡單勾勒人臉圖畫（caricature），我們的模型可以迅速生成對應的三維人臉模型，并且可以同時擬合面部輪廓和細節表情。同時我們也提供了多種方式進行快速的模型修改。實驗證明我們的結果具有高精度和快速度。
框架
非常推薦大家通過視頻了解我們的框架：
Youtube: DeepSketch2Face(SIGGRAPH2017) Youtube
騰訊視頻: DeepSketch2Face(SIGGRAPH2017) 騰訊視頻
框架的流程如圖所示：
初始繪制模式（Initial Sketching Mode）
我們采用了卷積神經網絡（CNN）來學習二維繪畫的人臉特征。如圖所示，輸入是 256 乘 256 大小的繪畫圖片，通過卷積層提取特征，結合每個像素點的雙線性插值編碼，利用不同的全連接層，最終輸出一個 50 維的人臉向量和一個 16 維的表情向量。我們預設了 50 個人臉基底和 16 個表情基底，最終輸出的模型則是向量和基底的點乘。我們可以做到近乎實時的渲染，即用戶每勾勒一筆線條，迅速輸出對應的擬合三維模型。（對于卷積層，我們采用了較老的 AlexNet。我們也試驗了 Resnet 等更新的網絡結構，在精度上沒有特別顯著的提升；同時考慮到實時繪制的速度要求，我們選擇了這樣一個折衷方案。）
以下是一些真實渲染結果：
連續繪制模式（Follow-up Sketching Mode）
利用同樣的卷積神經網絡以及區域變形技術（Laplacian deformation），我們給用戶提供了簡易修改的繪制方案。對于不精于從空白紙張繪制肖像的用戶，或者不想生成復雜人臉形狀的用戶，可跳躍第一步直接進行連續繪制。在連續繪制模式下，由單向工程（二維 -> 三維）轉變為雙向工程 （二維 <-> 三維）：用戶可直接從當前生成或預設的三維模型得到一個二維的人臉輪廓，并基于這個人臉輪廓進行修改、刪除、變形等操作；類似于第一步，這個二維輪廓可以生成相應的三維模型。
下圖是一個典型的通過連續繪制模式生成的模型：
精細修改模式（Gesture-based Refinement）
我們提供了基于手勢的精細修改模式。如圖所示，用戶可以通過相應的手勢，選取圖像的區域進行變形，如面頰凸起，眉毛修改、面部輪廓修改等等。用戶的手勢也是通過一個簡單的卷積神經網絡學習，輸入是用戶繪畫的手勢，輸出是對應的操作。
其他
平均來講，基于我們的框架，新手繪制一個人臉模型只需要 5～7 分鐘，熟練后甚至在一兩分鐘內就畫出一個逼真的人臉模型。我們支持多種模型格式輸出，以便對接其他平臺。用戶在實時操作過程中可以無障礙地進行撤銷和恢復操作。用戶操作窗口本身也支持各種常見的渲染操作，如放大縮小旋轉移動貼圖等等。同時，我們也提供了一個用于人臉建模的數據庫，包含極大量的人臉模型，及其不同的表情和夸張程度（levels of exaggeration）
結尾
有了這個軟件，再也不用擔心不會建模了！更多關于模型的細節和數學公式，請參考原論文。
----------------------------------
更新：鑒于大家的需求，我們會陸續上傳 demo 文件和數據庫資料（預計八月），需要的童鞋們可以先 star 我們的 repo: irsisyphus/deepsketch2face
雷鋒網按：本文原作者irsisyphus，香港大學計算機系大三學生，論文第二作者。更多內容及個人簡歷請關注我的個人網站，歡迎各種工作 / PHD 內推。本文原載于知乎專欄，雷鋒網對文章做出了不改變原意的調整。
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
