本文提出Head3D网络,通过自监督学习从2D主体帧预测3D头部姿势与深度图,生成可解释的3D标准头部,并结合注意力融合网络整合背景细节,实现说话人视频动作迁移。在两个公开数据集上的实验表明,该方法在跨身份场景中优于2D和3D先前方法,并能适应受控姿态的新视图合成。
完成下面两步后,将自动完成登录并继续当前操作。