박종환 2022-05-27
<aside> 💡 Main Contribution
</aside>
기존의 회귀기반 연구는 배우는 과정에서 identity가 사라진다고 함
본 논문의 접근법은 identity 관련 feature를 최적화를 하여 face frontalization 및 3d texture completion에서 결과가 뛰어남을 확인
wild image를 기반으로 학습하여 GANFit과 같은 3D face reconstruction 알고리즘으로 활용 가능함을 확인 (wild image의 경우 not released to the public이라고 함.. pre-trained model만 있으면 활용 가능할 듯)
해당 논문은 Unsupervised UV Completion을 구축하기 위해 선행연구에서 다루는 요점의 일부를 변경하여 시행함
OSTeC Structure
주요 요점들은 다음과 같음.
$I_0$의 2D face 이미지, 3DMM(3D Face Morphable Model) space $S \in \mathbb{R}^{n\times3}$, 카메라 파라미터 $c = [f,r_x,r_y,r_z,t_x,t_y,t_z]$
기존의 3DMM 알고리즘에서는 2D Projection을 진행. Projection된 2D plane을 dense landmarks라고 함
$P(S,c) : \mathbb{R}^{n\times3},\mathbb{R}^{7} \rightarrow \mathbb{R}^{n\times2}$ / Dense landmark : $S' = P(S,c)$
$P$는 Pinhole camara function. 2D Projection에 사용.
이전 기법의 경우 3D Texture Data → 2D Plane에 Projection. 본 논문의 접근법은 3D Texture Data → UV space로 Projection 하는 방법을 제안.
여기서 $t_{coord}$는 실제 이미지를 UV space로 펴주기 위한 좌표이며, $I_0$는 실제 input 이미지, $S'$는 pinhole camera function으로 생성된 dense landmark.
변환된 Barycentric interpolation $\mathcal{R}'$를 통해 UV space $T_0$를 렌더링함