通过合成数据进行3D面部重建的元评估

科学领域:

• 计算机视觉 计算机视觉
• 3D几何处理处理 3D几何处理
• 机器学习 机器学习

背景情况:

• 几何误差是3D面部重建的标准度量.
• 目前的方法依赖于Chamfer标准,用于实时扫描上的点对应.
• 人们质疑Chamfer误差作为基准指标的适当性.

研究的目的:

• 引入一个元评估框架,用于评估3D面部重建中的几何误差估计器.
• 为了比较不同几何误差估计器的公平性和准确性.
• 解决关于3D面部重建中的基准度量质量的基本问题.

主要方法:

• 开发一个使用合成数据的元评估框架.
• 四个几何误差估计器的实验比较,包括Chamfer和非刚性ICP.
• 在重建方法中分析错误低估和排名一致性.

主要成果:

• 标准的Chamfer误差度量大大低估了3D面部重建中的几何误差.
• 查姆弗错误在不同的重建方法中表现出不一致的低估,改变了它们的性能排名.
• 非刚性ICP显示偏差减少,但仍然无法正确排名所有方法,并且在计算上昂贵.

结论:

• 目前使用Chamfer误差进行3D面部重建的基准分析方法是不够的.
• 使用合成数据的新元评估框架为评估基准指标提供了更可靠的方法.
• 这些发现需要重新评估面部3D重建评估的标准实践.