3D人脸重建：《Joint 3D Face Reconstruction and Dense Alignment with Position Map Regression Network》
《Joint 3D Face Reconstruction and Dense Alignment with Position Map Regression Network》
文章目录
- 0 前言
- 1 概述
- 2 相关工作
- 2.1 3D 人脸重建
- 2.2 人脸对齐
- 3 详细思路
- 3.1 3D Face Representation
- 3.2 Network Architecture and Loss Function
- 3.3 Loss Function
- 4 效果
- 4.1 AFLW2000-3D
- 4.2 重建效果
0 前言
本文提出了一种能够同时完成3D人脸重建和稠密人脸对齐的端对端的方法–位置映射回归网络（PRN）。主要思想：设计UV位置映射图，它是一种记录所有面部点云3D坐标的2D图像，在每个UV多边形中都保留了语义信息；然后设计一种加权损失训练一个简单的CNN（编码-解码）网络，从单张2D人脸图像中回到UV位置映射。
本文方案不仅不依赖任何初始人脸模型，还可根据语义信息重建整个几何人脸；整个CNN延续轻量级模式，可达到9.8ms处理单张图的速度，性能较之前方法高出许多。
1 概述
3D人脸重建和人脸对齐是计算机视觉中两个基础且备受关注的2个任务，在过去的10年里，对这两个方面的研究也是多不胜数。
早期，人脸对齐主要是针对2D人脸特征点【1,2,3,4】，因为它是其他任务，如人脸识别【5】、辅助3D人脸重建【6,7】等任务的通用特征信息；但是呢？2D人脸对齐在大姿态、遮挡等情况下存在诸多问题【8,9】。
随着DL的发展，许多研究开始利用CNN估计3DMM（3D Morphable Model）系数【10,11,12,13,14,15】或者3D模型变形函数（3D model wraping function）【16,17】来重建单张人脸对应的3D信息；该方法也可同时进行稠密人脸对齐和3D人脸重建。但是，这些方法的性能，受限于定义3D模型的人脸基础模型或模板；并且，其中的透视投影（perspective projection）和3D样条变换（3D Thin Plate Spline（TPS）transformation）等必要操作也增加了复杂度。
最近，2篇端到端方案【18,19】，摆脱了这些限制，在各自任务上取得不错的成绩。【19】训练了一个相对复杂的网络来回归单张人脸，68个2D特征点，但它需要额外的网络来估计深度信息，且并没有提供稠密对齐；【18】VRN提出了一种体积表示法（Volumetric representation）3D人脸特征表示方法，并利用网络对单张人脸进行回归，但是，这种表示方法丢失了点的语义意义，并且需要复杂网络来做回归整个人脸体积信息，但人脸只是其中部分，所以这种表示方法将限制重建的分辨率，且需要复杂网络来完成回归。
本文，我们提出了一种端到端的PRN多任务方法，能够同时完成稠密人脸对齐和3D人脸形状（3D face shape）重建。主要几个贡献：
1）提出了无约束的端到端的人脸对齐和3D人脸重建框架
2）设计了新的3D人脸表示方法，即UV位置映射图，它记录人脸的3D点信息，并提供3D点与UV空间具有语义意义的点之间的稠密关系
3）为Loss Function设计了weight mask，它是为每个点提供权重，可明显提高网络性能
4）CNN采用轻量级模式，单张人脸任务可达到100FPS
5）在AFLW200-3D和Florence数据集上可达到25%的性能提升，较现有算法
2 相关工作
2.1 3D 人脸重建
自从【20】1999年提出了3DMM模型，就一直受到单目3D人脸重建任务青睐；
许多早期方法中，研究者们靠重建特殊点与3D均值几何结构之间关系，如landmarks【21,6,22,7,23,24,25】，局部特征【26,27,25】，然后利用非线性优化函数来回归3DMM系数（3DMM coefficients）；但是，这些方法都非常依赖于landmarks或其他特征点的检测；
因此，一些方法【28,29】首次利用CNN来学习人脸图像与3D模板之间的稠密对应关系（dense correspondence），然后计算3DMM参数预测稠密约束；
最近，一些工作用CNN直接预测3DMM参数，【10,11,12,13,14】利用级联CNN结构回归3DMM系数，其效率很成问题；【30,31,32,33】提出端到端的CNN结构直接估计3DMM形状参数（3DMM shape parameters）；【34,35】采用无监督方法，能够回归3DMM系数，不需要训练数据而是利用人脸文理信息，但是在大姿态和光照不均情况下，效果惨淡；
一些其他方法，不采用3D基础形状，但仍然依赖3D人脸模板，【36,37,38,17,39】能够基于参考3D模型，通过Warping重构3D结构；【16】能够重建3D人脸，通过学习一个3D TPS wraping 函数，经由深度网络生成3D模型；显然这些方法都受到参考模型限制。
总之，这些方法主要的缺点是，它们基于基础模型，导致几何结构被限制在模型形状空间，通过后处理从估计参数中生成3D mesh。
最近【18】VRN提出了直接映射完整3D人脸结构（full 3D facial），通过CNN直接回归（Volumetric regression），该方法不受模型空间限制，但需要复杂网络结构和大量时间来完成Voxel data预测；
本文方法不同于上述方法，本文框架模型自由，采用轻量级模式，能实时直接获取完整3D人脸几何结构及其信息。
2.2 人脸对齐
在计算机视觉任务中，人脸对齐是一个长期存在问题并吸引大家的关注；
在早期，2D人脸对齐方法层出不穷，AMM【40,41,42】 CLM【43,44】，级联回归【45,46】，CNN方法【3,4,19】，然而2D人脸对齐存在很多问题，尤其是大姿态、遮挡、光照不均等；
最近，3D人脸对齐，通过2D人脸图像，【47,11,48】拟合3DMM，【39,49】回归3D人脸模板，很明显，基于模型的三维重建方法可以通过在重构几何中选择x、y坐标点来轻松完成三维面对齐的任务；
实际上，【11,29,32】通过一些特殊设计完成基于均值3DMM拟合3D人脸对齐；【50,19】用另一个深度网络来预测热力图，并获得3D人脸特征点，取得不错成绩。
因此，由于稀疏的人脸排列任务是通过上述方法完成的，密集的面对齐的任务就开始了；
稠密对齐：需要计算出2D人脸图像与3D人脸参考几何结构之间对应关系。
【15】利用多约束训练CNN估计3DMM参数，然后提供3D稠密对齐；【28，29】通过深度网络直接学习2D图像与3D模板之间的关系，但其只是考虑到人脸区域。
相比上述工作，本文方法，通过位置图，直接完成整张人脸与3D模板之间的稠密关系回归；本方法不需要3DMM系数和TPS Warping参数，所以不需要复杂的透视变换和TPS变换计算。
3 详细思路
3.1 3D Face Representation
我们任务目的是从单2D人脸图像回归出人脸3D几何结构信息以及它们之间的稠密关系。所有我们需要适合的表示方法，并用一个网络来直接预测；一个简单且普遍的是用一个1D向量来表示，即将3D点信息用一个向量来表示，然后用网络预测；然而，这种方法丢失了空间信息。
相关研究中也提到了类似于3DMM等模型表示，但这些方法太过依赖3DMM模型，并且流程复杂；最近的VRN用Volumetric来表示，成功摆脱了上述问题，但是其网络需要输出192x192x200的一个Volume，计算量相当大，重建分辨率将会受到限制。
针对这些问题，本文设计了UV position map来表示，如下图：
左图是输入图像的3D图和3D点云ground-truth；右边第1行，分别是2D图像，UV文理映射图，相应的UV位置映射图；右边第2行，分别是UV位置映射图的x，y，z通道。
然而开源数据集，如300W-LP，的ground-truth是没有用UV表示的，而3DMM，所有我们是基于3DMM创建的UV标签。3DMM又是依据BFM（Basel Face Model）【20】，所有我们UV还得与BFM建立联系，文献【58】中提到解决办法（具体细节，待考证）。最终我们选择256最为UV尺寸，约50K个点来表示Face mesh。
3.2 Network Architecture and Loss Function
有了UV表示方法，我们就可以直接用CNN网络回归UV参数，如下图：
采用encoder-decoder结构，256x256x3的输入人脸图像，输出256x256x3的位置映射图；编码结构采用10个残差块级联构成，解码结构有17层反卷积层构成，激活层采用ReLU，最后输出层采用Sigmoid激活函数。
3.3 Loss Function
为了强调重点，优化性能，本文还设计了weight mask形式的Loss function：
其意义在于，不同位置或区域，计算error时权重不一样，看重或者特殊区域权重给高点，网络就会更关注这块。总共分为4中不同等级，如下图：
4等级：特征点（68点），眼睛、鼻子、嘴巴，其他脸部，脸以外的部分；他们的权重分别比：16:4:3:0
4 效果
4.1 AFLW2000-3D
4.2 重建效果
