![](https://csdnimg.cn/release/download_crawler_static/88429281/bg4.jpg)
L.
韦湖,澳
-
地
Hu
,
V.Kim
,
E.Yumer
和
H.李
其实时变体具有相当可塑和坚固外观。实时渲染技术通常避免基于物理的模
型,而是依赖于仅模仿其外观的近似,通过将头发建模为参数表面[25,24],
网格
[46
,
18]
,纹理变形模型
[2]
或多个半透明层
[40
,
45]
。选择正确的参数化
模型并设置所需外观的参数需要大量的艺术家专业知识。在不同的头发模型之
间转换可以被视为具有挑战性的优化或学习问题
[43]
。相反,在这项工作中,
我们证明了人们可以使用一系列GAN直接学习头发结构,外观和照明的表示,
并且可以通过使用示例图像直观地操纵这种表示。
大量的努力已经致力于从自然图像估计毛发结构,诸如利用多视图毛发捕获
方法
[47
,
17
,
15
,
29
,
29]
。
28、30、35、34]。最近,单视图头发重建方法[3,5,6,4,16]由于操纵互
联网肖像和自拍的流行而变得越来越重要我们认为我们的工作是对这些毛发捕
捉方法的补充,因为它们依赖于现有的渲染技术,并且不估计毛发的外观和照
明。我们的方法可以用于类似的应用程序中,例如图像中的头发操作[5,6],
但对渲染参数的控制更简单。
神经网络越来越多地用于操纵和合成视觉数据,如人脸
[39
,
19]
,对象视图
[50]和材料[27]。最近,Nalbach et al.[32]提出了如何使用CNN渲染RGB图
像,但它需要对齐的属性,例如每个像素的法线和反射率,其对于具有子像素
细节的发束不是很好定义的。具有对手的生成模型[12,36]可以在没有显式监
督的情况下成功学习数据表示。为了实现更多的控制,这些模型已被进一步修
改以考虑用户输入[51]或以引导图像为条件[20]。虽然后者通过图像到图像的
转换提供了强大的操作工具,但它需要以成对图像的形式进行强有力的监督通
过
在未对齐的数据集上强制执行循环一致性,进一步解决了这一限制[52]。
原始图
像转换架构的另一个限制是它不处理合成任务中常见的多模态分布。这是通过在
最近引入的称为BicycleGAN的架构中鼓励输出和潜在空间[53]之间的双射来我
们评估这种架构的一部分,我们的顺序
GAN
的头发渲染。
我们的方法也与无监督学习方法相关,该方法去除了部分输入信号,例如颜
色[48],然后尝试通过自动编码器架构恢复它。然而,在这项工作中,我们专
注于高质量的头发渲染,而不是通用的图像分析,与SplitBrain [48]不同,我
们使用图像处理来连接两个不相关的领域(
CG
头发模型和真实图像)。
这些模型的变体已应用于许多应用,包括图像合成[26],字体合成[1],纹理
合成[41],面部纹理合成[33],草图着色[38],化妆转移[7]等等。