本篇论文发表于 SIGGRAPH 2017，并入选 Technical Papers Preview Trailer。为便于非专业人士阅读，以下介绍尽量不夹带英文和公式，也尽量精简扼要。
关键词：Face Modeling, Face Database, Deep Learning, Face Caricatures, Gestures, Sketch-Based Modeling
简介
脸部建模一直是计算机图像和视觉领域的热门话题，包括卡通人物建模、人脸艺术设计、人脸实时重构等等，尤其是交互式人脸建模。我们构建了一个快速的、交互的、基于深度学习的人脸建模框架。通过简单勾勒人脸图画（caricature），我们的模型可以迅速生成对应的三维人脸模型，并且可以同时拟合面部轮廓和细节表情。同时我们也提供了多种方式进行快速的模型修改。实验证明我们的结果具有高精度和快速度。
框架
非常推荐大家通过视频了解我们的框架 DeepSketch2Face(SIGGRAPH2017) ：
Youtube: https://www.youtube.com/watch?v=93WZHKYxqtM
腾讯视频: https://v.qq.com/x/page/u0397hm0chs.html
框架的流程如图所示：
初始绘制模式（Initial Sketching Mode）
我们采用了卷积神经网络（CNN）来学习二维绘画的人脸特征。如图所示，输入是 256 乘 256 大小的绘画图片，通过卷积层提取特征，结合每个像素点的双线性插值编码，利用不同的全连接层，最终输出一个 50 维的人脸向量和一个 16 维的表情向量。我们预设了 50 个人脸基底和 16 个表情基底，最终输出的模型则是向量和基底的点乘。我们可以做到近乎实时的渲染，即用户每勾勒一笔线条，迅速输出对应的拟合三维模型。（对于卷积层，我们采用了较老的 AlexNet。我们也试验了 Resnet 等更新的网络结构，在精度上没有特别显著的提升；同时考虑到实时绘制的速度要求，我们选择了这样一个折衷方案。）
以下是一些真实渲染结果：
连续绘制模式（Follow-up Sketching Mode）
利用同样的卷积神经网络以及区域变形技术（Laplacian deformation），我们给用户提供了简易修改的绘制方案。对于不精于从空白纸张绘制肖像的用户，或者不想生成复杂人脸形状的用户，可跳跃第一步直接进行连续绘制。在连续绘制模式下，由单向工程（二维 -> 三维）转变为双向工程 （二维 三维）：用户可直接从当前生成或预设的三维模型得到一个二维的人脸轮廓，并基于这个人脸轮廓进行修改、删除、变形等操作；类似于第一步，这个二维轮廓可以生成相应的三维模型。
下图是一个典型的通过连续绘制模式生成的模型：
精细修改模式（Gesture-based Refinement）
我们提供了基于手势的精细修改模式。如图所示，用户可以通过相应的手势，选取图像的区域进行变形，如面颊凸起，眉毛修改、面部轮廓修改等等。用户的手势也是通过一个简单的卷积神经网络学习，输入是用户绘画的手势，输出是对应的操作。
其他
平均来讲，基于我们的框架，新手绘制一个人脸模型只需要 5～7 分钟，熟练后甚至在一两分钟内就画出一个逼真的人脸模型。我们支持多种模型格式输出，以便对接其他平台。用户在实时操作过程中可以无障碍地进行撤销和恢复操作。用户操作窗口本身也支持各种常见的渲染操作，如放大缩小旋转移动贴图等等。同时，我们也提供了一个用于人脸建模的数据库，包含极大量的人脸模型，及其不同的表情和夸张程度（levels of exaggeration）
结尾
有了这个软件，再也不用担心不会建模了！更多关于模型的细节和数学公式，请参考原论文。
----------------------------------
更新：鉴于大家的需求，我们会陆续上传 demo 文件和数据库资料（预计八月），需要的童鞋们可以先 star 我们的 repo@ https://github.com/irsisyphus/deepsketch2face
AI科技评论按：本文原作者irsisyphus，香港大学计算机系大三学生，论文第二作者。更多内容及个人简历请关注我的个人网站 www.irsisyphus.com，欢迎各种工作 / PHD 内推。本文原载于知乎专栏，AI科技评论对文章做出了不改变原意的调整。
AI科技评论招业界记者啦！
在这里，你可以密切关注海外会议的大牛演讲；可以采访国内巨头实验室的技术专家；对人工智能的动态了如指掌；更能深入剖析AI前沿的技术与未来！
如果你：
＊对人工智能有一定的兴趣或了解
* 求知欲强，具备强大的学习能力
* 有AI业界报道或者媒体经验优先
简历投递：
[email protected]
