BriefGPT - AI 论文速递
·
面部流动网络：通过多样化数据集和分解模型推进面部光流估计
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了一种基于Transformer编码器的方法，用于将视频中的头部运动和面部表情转移到源图像的外观。该方法实现了跨再现，适用于不同的人，并通过自监督学习源人物的潜在表示，分解了外观、头部角度和面部表情，具有良好的泛化能力。实验结果表明，该方法在运动传输质量和时间一致性方面表现优秀。
🎯
关键要点
-
本文介绍了一种基于Transformer编码器的方法，用于将视频中的头部运动和面部表情转移至源图像的外观。
-
该方法实现了跨再现，适用于不同的人。
-
通过自监督学习源人物的潜在表示，分解了外观、头部角度和面部表情，具有良好的泛化能力。
-
与大多数相关工作相比，该方法自然地扩展到多个源图像，并适应个人特定的面部动态。
-
提出了必要的数据增强和正则化方案，以防止过拟合并支持学习表示的泛化能力。
-
实验结果表明，该方法在运动传输质量和时间一致性方面表现优秀。
➡️
