基于生成对抗网络的单幅图像三维人脸重建研究

沙特国王大学学报基于生成对抗网络的单幅图像三维人脸重建Mehdi Malaha， Mounir Hemama，Fayçal Abbasb，aUniversity Abbes Laghrour - Khenchela，ICOSI Laboratory，BP 1252 El Houria，40004，Algeriab阿贝斯大学Laghrour - Khenchela，LESIA实验室，BP 1252 El Houria，40004，阿尔及利亚阿提奇莱因福奥文章历史记录：2022年9月27日收到2022年11月23日修订2022年11月25日接受2022年12月1日上线保留字：单幅图像三维重建人脸重建生成对抗网络图卷积网络A B S T R A C T传统的重建技术从对象的几何形状或一个或多个2D图像中提取信息。另一方面，现有方法的局限性在于它们生成的对象不太精确。因此，缺乏鲁棒性对几个人脸重建问题，如头部的位置，遮挡，噪声和照明变化。因此，生成神经网络和图形卷积网络在3D重建领域有着重要的发展提出了一种从单幅二维图像重建三维人脸的模型。我们的模型由一个生成器和一个基于卷积图形层的卷积器组成。实际上，为了生成具有表情的面部网格，我们的想法是使用与该图像相关联的地标作为生成器的输入，以重建具有表情的面部几何形状并提高收敛速度。因此，我们的模型提供了一个准确的面部几何重建与表达;因此，我们的模型优于国家的最先进的方法，通过定性和定量比较。©2022作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在过去的几年中，改善工业4.0、医学成像和图像合成等多个领域活动的主要工具之一是在更短的时间内提供越来越逼真的物体三维重建。人脸的三维重建在诸如动画电影、视频游戏和美学工业的领域中起着重要作用;因此，精确地建模人脸需要负责建模的人付出很大的努力实际上，传统的技术存在一些不足，特别是在特征提取阶段。这些不一致性存在于照明和位置、掩蔽和表达的变化中。 随着图形处理器的革命，深度学习正在改善几个领域，包括检测、识别（Woz'niaketal.，2021;Ullah等人，二零二二年;*通讯作者。电 子 邮 件 地 址 ： malah.univ-khenchela.dz （ M.Malah ） ， hemam.mounir@univ-khenchela.dz （ M. Hemam ） ， abbas_faycal@univ-khenchela.dz （ F.Abbas）。沙特国王大学负责同行审查Afroze等人，2022）和3D重建（Mittal等人，2022;Nozawa等人，2022; Peng等人，2020）对象和（方等人，2020年; Shi等人，2020年）的面孔。这些在精度和性能方面提供了良好的结果。在本文中，我们提出了一种基于生成神经网络的新技术，能够从单个2D图像及其地标中生成3D人脸对象我们的generator和encoder的架构我们的想法包括使用地标作为生成器的输入，以使用我们模型中的单个分支来生成面部几何形状，表情和位置。作为输出，生成器生成面的三维几何体。我们的模型产生了一个很好的重建与面部表情相对于参考对象。我们的贡献总结如下：- 本文提出了一种基于生成神经网络的人脸几何重建方法，该方法从一幅二维图像和界标中重建出具有表情和位置的人脸几何。- 我们引入了一种新的架构，基于图卷积层的网格生成器，以提高准确性。- 我们使用地标作为输入到生成器，以生成具有表情和位置的人脸网格，使用单个生成器和分支。https://doi.org/10.1016/j.jksuci.2022.11.0141319-1578/©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comM. Malah，M.赫马姆和费萨尔·阿巴斯沙特国王大学学报251Gð ÞDð Þ ð Þ~数据库~我爱你- 我们表明，我们的模型生成的人脸网格具有良好的准确性相比，国家的最先进的方法，通过定量数据的样本x。ADC尝试使用以下函数来最大化其增益：质的比较。maxVVVDExpx½logDx]yy½log1-Dy]12. 相关作品此外，生成器反过来尝试使用以下函数最大化其增益：第一个重要的贡献，标志着演变，人脸重建是3D变形人脸（Blanz和Vetter，1999）;其原理从输入中的一组3D人脸开始，最小VVVGEz~pzz½log1-DGz]2进行纹理和几何的变换，以产生新的几何位置和良好的纹理映射。其他变体基于三角形表示，因此使用因此，GAN的目标函数是一个极大极小博弈定义如下：minmaxVD;GEx~p数据x½logDx]Ez~px½logg1-DGz]不同的输入地图（Dovgard和Basri，2004年; Aldrian和Smith，G D2012年）。在2D图像的输入数据空间和由3D几何形状表示的输出空间之间转换，发送面部（Zhu等人，2015; Thies等人，20 1 6 年：Grewe和ð3ÞZachow，2016）。最近基于神经网络的方法已经显示出它们在产生丰富细节（皱纹、纹理、照明）的重建中的有效性（Deng等人，2021; Cho例如，2020）以及在困难的位置（吴等人，2021;刘例如，2019年）。（Deng等人，2019）提出了一种新方法，其原理在于在没有参考对象的情况下训练神经网络，因此后者使用混合级图像以便在训练阶段加速监督，作者还提出了一种能够基于卷积架构从多个输入图像重建3D人脸的解决方案。（Feng等人， 2018）是使用基于2D位置图的表示，然后使用卷积神经网络来3.2.图卷积网络图卷积网络（GCN）的出现使计算机图形学社区开辟了基于图学习的新研究领域。使用卷积神经网络已经证明了其对具有规则空间结构的数据的有效性。另一方面，现实生活中的大量实体的特征在于不规则的空间结构，如网格，点云和分子结构，以解决3D人脸建模的几何描述所带来的复杂性。因此，我们对图使用卷积网络，以基于图形表示来提取面部三维数据空间中的图由三个生成面部的3D形状。因此，权重掩码被集成引入成本函数以提高模型最后-主要元素顶点、边和向量特征哪里TER提供了面部几何形状的良好近似以及对准。（Zhu等人， 2017）提出了基于卷积架构的级联模型来近似模型的参数。因此，提出了一种新的成本函数，以提高模型Vertex<$V i i<$1：：n n是网格的顶点集，每个连接两个顶点的E边集，Vector特征是顶点特征集。我们假设一个图由两个值Node，Edge组成。下一层的给定节点的特征向量值的预测由以下公式给出。- 是的该方法具有良好的效果，特别是对轮廓fl1¼w0flXw1flð4Þ意见. （Feng等人， 2021）使用大约200万张图像来训练他们的p模型 这可以用很小的潜在空间捕捉到很好的细节，p qq2N使得该模型对噪声以及因此对遮挡具有鲁棒性该模型可以产生良好的人脸重建。（Pan等人，2020年）提出了一种基于仅在2D图像上训练的生成神经网络的3D重建新模型。它被命名为GAN2Shape。本文表明，在2D图像上训练的生成神经网络可以捕获数据集不同对象的相关特征。另一方面，如果形状复杂，则该方法将难以估计对象3. 初步3.1. 生成对抗网络生成对抗网络（GAN）首次出现在（Goodfellow et al.，2014）作品。使用GAN的主要优点是这种类型的神经网络可以模拟任何数据分布。这些已经证明了它们在许多应用中的有效性，例如图像生成（Abbas和Babahenini，2022; Wang等人， 2022）、医学成像（Ye等人，2022; Zia等人， 2022年）。GAN包括两个竞争的生成器和递归神经网络。实际上，生成器基于随机噪声p z产生假数据样本G z。另一方面，RSDx获取生成器生成的生成器的输入样本，并尝试将它们与实数进行分类。其中N（p）是网格中v的邻居，W0;W1是学习的权重矩阵。对于其他信息，读者可以参考（Bronstein等人， 2017年）。4. 方法在本节中，我们详细介绍了我们的三维人脸生成模型的架构。事实上，我们使用图卷积网络和生成对抗网络。我们的模型输入人脸及其地标的RGB图像，并输出3D人脸。4.1. 发生器我们模型中的生成器基于（Wang et al.， 2018）将单个图像和地标作为输入，并产生面部的3D几何模型。我们的发电机的概述如图1所示。我们的生成器包括四个称为重建块的块;除了最后一层之外，每个块后面都有一个称为三角网格的层事实上，为了从输入图像中提取特征，我们在模型的开始使用了神经网络Resnet-50的四个模块作为主干，因为这个网络被广泛使用。我们将四个块的输出连接起来，并将其用作第一块重建的半球和地标的输入与此同时，其余的recherc-M. Malah，M.赫马姆和费萨尔·阿巴斯沙特国王大学学报252Fig. 1. 我们的发电机架构。特征块将具有从骨干恢复的特征、前一层的输出和界标作为输入4.1.1. 重构块每个重建块由两个操作组成：顶点对准（Gkioxari等人，2019年;Wang等人， 2018）和NODE块;顶点对齐的目标是使特征和半球之间对应。它由141个顶点和210个多边形组成。绿色的输出将与地标连接，然后用作线性层和Relu激活函数的输入。节点块它由三层图卷积组成第一个GCN层的输入是线性层的输出，后面是Relu函数。其他层将具有前一层一个线性层如下节点块（见图。 2）的情况。4.1.2. 三角测量三角剖分层的目的是将初始网格转换为包含更多面、顶点和边的网格;这允许以越来越精细的分辨率重建面我们在每条边的中间插入一个顶点，组成一个三角形. 然后我们在他们之间画上句号结果是四张脸，如图3 .第三章。4.2. 鉴别器我们的模型的卷积层由一个简单的卷积图层和一个块GCN组成，然后将一个平均节点函数应用于后者的输出。其原理是返回从Block GCN接收的特征的平均值，最后应用线性层。后者提供了一个二进制结果，旨在将输入网格分类为真实或虚假。我们的判别器需要由生成器生成的样本或从数据集中提取的真实样本作为输入。GCN块GCN块包含五层GCN，见图2。5;我们使用连接，通过连接操作将每一层的输入和输出连接起来，如图4所示。下面所有GCN层的输出为16，GCN块的输出为96。如Eq.5，我们将GCN块中输出图卷积的每一层的特征维数定义为相等。输入功率x输入功率x- 1输出功率x- 1输出功率50其中：Input（x）：当前层的输入。Input（x-1）：前一层的输入。Output（x-1）：前一层的输出。所有CGN层的输出是16，最后GCN块输出是：图二. 节点块架构。图三.三角剖分步骤后的网格变换。M. Malah，M.赫马姆和费萨尔·阿巴斯沙特国王大学学报253..ΣΣXd¼v-;XX2X斯穆..Xv2见图4。更详细的块GCN架构。输出模块GCN座<$5ω输出模块GCN座<$96毫米6毫米图5显示了我们的网络的架构。5. 损失函数我们使用四个损失函数结合GAN的损失。我们使用函数倒角距离，正常距离，拉普拉斯平滑，和边长正则化。5.1. 倒角距离倒角距离是三维重建领域中广泛使用的函数。其原理是计算两个生成的点云与地面真实点云之间的误差;倒角距离考虑了每个点的距离事实上，后者寻求最接近另一组点的点，并将每个点的距离的平方实际上，我们使用倒角距离来诱导生成器生成点其中KP;G¼p;arg mingkp-gk：p2P是（p，g）对的集合，使得g2G是p2P的最近邻居。5.3. 拉普拉斯平滑我们已经在成本函数中引入了拉普拉斯平滑，以提供表面的强正则化和曲率的局部harmonization，从而在消除噪声之后生成具有平滑的对象。为了计算这个损失，我们首先定义每个顶点v的拉普拉斯坐标如下：1i9i2NvkNvk然后，拉普拉斯正则化通过以下公式计算：l¼X？d0-dv？2;10v与地面实况点云相似的云。以下公式计算倒角距离其中v是预测的顶点，i是v的邻居。尼日夫河i个相邻顶点的集合k：k是元素的个数dv是02LCDP2P;GP2Pj-1p;Gkp-gk2jGj-1q;gkg-pk7顶点v的拉普拉斯坐标，dv是更新后的坐标k：k2是L2标准。5.4. 边长正则化5.2. 正常距离我们使用法线距离来计算角距离。它的原理包括法线的角度方向，这是通过比较由我们的模型生成的曲面的法线正常距离公式由以下公式给出：我们定义了一个加权的边长正则化来控制顶点密度，因为中心区域的人脸revercation- tion需要更多的顶点来重建比其他地区做。这将强制使用较短的边来表示权重较高的区域，这相当于在局部聚集更多顶点以获得更好的细节。边缘长度正则化允许以下的质量重建：构成所生成的对象的边。下式lNDP;GD-jPj-1p;Gu p·u g - jGj-12002年，. u g·u p。ð8Þ计算其值：图五. 我们的审判者的架构。M. Malah，M.赫马姆和费萨尔·阿巴斯沙特国王大学学报254×表1比较我们的方法与四个国家的最先进的方法。RTX 3060和CPU i7-10700 K。使用Adam优化器（Kingma和Ba，2014），初始学习率为1 e-5，批量大小为1。l边缘1/4 X Xkv-i k2ð11Þ6.2. 与最新技术水平的比较在本节中，我们通过定性和定量比较来评估我们的模型我们在两个数据集上评估我们的模型Florence（Bagdanov等人， 2011）和AFLW 2000 -3D（Zhu等人， 2017年，采用四种最先进的方法。表1显示了一个定量的组合，2vi2N我们的目标函数的最终值是生成神经网络的成本函数、倒角距离、法线距离、拉普拉斯平滑和边长正则化的组合。LRecon激光雷达 1 LND 2Lsmoth 3Ledge12mmGωargminmaxkLGANG;DLReconG13将我们的模型与以前的作品（Deep3D（Deng等人， 2019），PRnet（Feng et al.，2018）、Deca（Feng等人，2021）、GAN2- Shape（Pan等人，2020）和3DDFA（Zhu等人，2017））从单个图像进行3D人脸预测。事实上，我们使用了两个度量标准，倒角距离和地球移动器表1示出了数据集Florence（Bagdanov等人，2011）和AFLW 2000-3D（Zhu等人，事实上，我们对所有模型进行了相同数据的训练，训练，因此相同的细节，然后我们评估了相同的测试，G D数据我们注意到，我们的模型产生的3D面具有良好的精度，从一个单一的图像和一组地标相比，6. 实验6.1. 实现细节为了训练我们的GAN模型，我们使用AFLW 2000 -3D数据集（Zhu et al.，2017年）。对于每个图像和地标，我们将生成器的输入图像的大小减少到113 113，并将3D网格的大小从13440个面和6910个顶点减少到13440个面和6910个顶点，以减少计算并尊重3D对象的质量和细节。我们的模型的训练是使用图形卡进行的最先进的方法我们的方法在倒角距离和EMD方面优于最先进的方法。图图6示出了与现有技术的方法Deep3D（Deng等人， 2019），PRnet （ Feng et al. ， 2018 ）、 Deca （ Feng 等人， 2021 ）、GAN2Shape（Pan等人， 2020）和3DDFA（Zhu等人， 2017年）。我们可以看到，我们的基于生成神经网络的方法能够产生视觉质量接近参考网格的3D网格，这是由于可强制生成器提高见图6。 我们的模型和最先进的方法之间的定性比较。AFLW2000-3D佛罗伦萨方法倒角距离EMD倒角距离EMDDeep3D0.02630.14100.11770.2740PRnet0.07900.25000.09390.2133Deca0.01940.13000.02760.17403DDFA0.00110.05000.11270.3001GAN2Shape0.09500.31000.01210.3300我们0.00770.13000.06730.2689M. Malah，M.赫马姆和费萨尔·阿巴斯沙特国王大学学报255（见图7。 在噪声和模糊图像的情况下，我们的模型的3D重建。见图8。 重建不同面部位置的入路。与只使用生成器的方法不同我们的模型使得有可能提供表达的精确重建，而不像某些方法，如Deca（Feng等人，2021）和GAN2Shape（Pan等人，2020年）。这是由于在模型的输入处使用的标志点。因此，它们使我们能够提高收敛速度，以最小化成本函数。为了证明我们的模型的鲁棒性，以产生一个3D网格和推广到极端情况。我们通过增加每个图像的百分比来向输入图像添加高斯噪声和模糊。因此，我们在图7中看到，我们的方法可以从包含模糊和噪声的图像中产生令人满意的质量网格。我们在图中观察。8.第八条。我们的模型可以准确地重建面部表2两种组合的评估：无倒角和无最后一个重建块，倒角距离和EMD。倒角距离EMD我们的成果0.00770.13没有Dicriminator0.01040.1574无重建块0.00940.15616.3.消融研究在本节中，我们将展示我们模型的两个组件的效率（见图1）。9）、所述重构块和所述重构块。在第一步中，我们将使用两个架构使用两个度量来评估我们的架构，倒角距离和EMD，有无鉴别器和有无鉴别器。正如你所看到的，我们的模型没有一个顶点，产生了一个面几何体，它不保留表达式，并且具有更高的错误率。我们通过删除最后一个重建块和重新训练我们的模型来分析重建块的效果。表2显示了我们的重建块在产生良好结果方面的有效性。7. 限制我们通过我们的模型获得的重建结果取决于数据的多样性和质量。这在学习阶段引入了偏差。事实上，我们在本文中已经表明，与参考对象相比，我们的模型可以生成质量令人满意的3D人脸。另一方面，我们的模型可以精确地重建耳朵和不太清晰的眼睛。这鼓励我们通过改进生成器的结构和使用界标以外的其他参数化结构（例如深度图和法线图）来克服这一限制。此外，我们的模型需要考虑纹理和光照效果，这增加了面部的质量和真实感。未来的工作可能包括通过增加纹理映射和光照变化的两个分支来改进网络架构。8. 结论本文提出了一种新的方法，从一个单一的二维图像的三维人脸重建。我们的模型是基于使用的general- tive神经网络。我们的模型以单个2D图像和一组通过定性和定量比较的输入，我们的模型在准确性和视觉质量方面优于最先进的方法。为了改进这项工作，我们将考虑使用级联神经网络来克服复杂性（a）（b）（d）见图9。我们的模型产生的结果。(a)输入图像。(b)我们的结果与重建块（c）的结果没有重建块（d）的结果没有重建块。M. Malah，M.赫马姆和费萨尔·阿巴斯沙特国王大学学报256由眼睛重建造成的。因此，纹理反射考虑了照明效果。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用Abbas，F.，Babahenini，M.C.，2022.使用生成对抗网络绘制森林雾。视觉计算，第1-10页Afroze，S.，Hossain，M.R.，Hoque，M.M.，2022. Deepfocus：在多对象场景中使用深度学习的视觉注意力焦点检测框架。J.沙特国王大学- Comput.信息格式。Sci.Aldrian，O.，史密斯，WA，2012.在多云的日子里反向渲染人脸。参加：欧洲计算机视觉会议。施普林格，pp. 201- 214Bagdanov，A.D.，德尔宾博，A.，和马西，我，2011.佛罗伦萨2D/3D混合人脸数据集。在：2011年联合ACM人类手势和行为理解研讨会的会议记录。79比80Blanz，V.，Vetter，T.，1999.一种用于合成3d人脸的可变形模型。在：第26届计算机图形和交互技术年会论文集，pp。187-194。布朗斯坦，M. M.，Bruna，J.，Y.莱昆，Szlam，A.，Vandergheynst，P.，2017.几何深度学习：超越欧几里得数据。IEEE信号处理。Mag.34（4），18-42.Cho，N.S.，Kim，C.S.，帕克角，澳-地Park，K.R.，2020.基于神经网络的手指皱纹生物识别系统模糊复原。IEEE Access8，49857-49872。邓小平，马，L.，Jin，A.，Bi，H.，（1991年）Le，B.H.，邓志，2021.使用变分自动编码器生成合理的3d人脸皱纹。IEEE Trans. Visualiza. Comput. Graph.邓，Y.，杨杰，徐，S.，Chen，D.，中国农业科学院，Jia，Y.，唐，X.，2019.基于弱监督学习的精确3D人脸重建：从单张图像到图像集。在：IEEE/CVF计算机视觉和模式识别研讨会会议论文集，pp。0比0多夫加德河巴斯里河2004.从阴影恢复统计对称形状的人脸三维结构。参加：欧洲计算机视觉会议。施普林格，pp. 99比113Fang，H.，中国农业科学院农业科学研究所，邓小平，Zhong，Y.，中国农业大学出版社 ， 胡 ， J ， 2020. Triple-gan ： 渐 进 性 面 部 老 化 ， 伴 有 三 重 平 移 损 失 。 在 ：IEEE/CVF计算机视觉和模式识别研讨会会议论文集，pp。804-805冯，Y.，冯，H.，布莱克，M.J.，Bolkart，T.，2021.从野外图像中学习可动画化的详细3d人脸模型。ACM Trans. Graphics（ToG）40（4），1-13.冯，Y.，吴，F.，邵，X.，王玉，Zhou，X.，中国科学院，2018.结合位置映射回归网络的三维人脸重建与密集对齐。在：欧洲计算机视觉会议（ECCV），pp。534-551Gkioxari，G.，Malik，J.，约翰逊，J.，2019年。网格r-cnn。在：IEEE/CVF计算机视觉国际会议论文集，pp。9785-9795。古德费洛岛，澳-地J.普盖特-阿巴迪米尔扎，M.，徐，B.，沃德-法利，D.，奥扎尔，S.， 库维尔，A.，本焦，Y.，2014.生成对抗网。高级神经信息过程系统27岁。Grewe，C.M.，Zachow，S.，2016.全自动和高精度的面部表面密集对应。参加：欧洲计算机视觉会议。施普林格，pp. 552-568金 玛 ， D.P. ， 巴 ， J. ， 2014. Adam ： A method for stochastic optimization ， arXivpreprint arXiv：1412.6980.刘，L.，张，L.，陈杰，2019.渐进姿态归一化生成对抗网络用于大姿态下的正面人脸合成和人脸识别。在：2019 IEEE图像处理国际会议（ICIP），IEEE，pp。4434-4438Mittal，P.，Cheng，Y.C.，辛格，M.，Tulsiani，S.，2022. Autosdf：用于3D完成，重建和生成的形状先验。在：IEEE/CVF计算机视觉和模式识别会议论文集，pp。306-315Nozawa，N. ，沈慧萍，冯，Q ，豪，E. S. ，Morishima ，S.，2022. 使用gan 和lazylearning从轮廓草图重建3d汽车形状。 视觉计算38（4），1317-1330。平移X.，Dai，B.，刘志，Loy，C.C.，Luo，P.，（1975 - 1980），中国科学院院士，2020. 2d gans知道3d形状吗？从2D图像gans进行无监督的3D形状重建，arXiv预印本arXiv：2011.00844。彭，H.，西安，C.，张玉，2020.从单目RGB图像重建3D手部网格。视觉计算36（10），2227-2239。施，C.，张杰，Yao，Y.，（1996 - 1997），美国，Sun，Y.，Rao，H.，舒，X.，2020.Can-gan：用于面部年龄合成的条件注意归一化gan。模式识别。Lett. 138，520-526。Thies，J.，Zollhofer，M.，Stamminger，M.，Theobalt角，Nießner，M.，2016.Face2face：实时人脸捕捉和rgb视频重现。 在：IEEE计算机视觉和模式识别会议论文集，pp。 2387-2395. Ullah，N.，Javed，A.，Ghazanfar，硕士，Alsufyani，A.，Bourouis，S.，2022.一种新的用于人脸面具检测和面具人脸识别的deepmasknet模型 J.沙特国王大学Comput.信息格式。Sci.王福，徐志，Ni，W.，陈杰，和Pan，Z.，2022.基于特征值提取和gan模型的自适应学习图像去噪算法。 Compu.内特尔Neurosci. 2022年。王，N.，张玉，Li，Z.，傅，Y.，刘伟，蒋永国，2018. Pixel2mesh：从单个rgb图像生成3d网格模型。在：欧洲计算机视觉会议（ECCV），pp。52比67Woz'niak，M.，Siberka，J.，维乔雷克，M.，2021年无人机辅助系统中基于深度学习的人群计数模型。在：第四届ACM WEBCOM研讨会上无人机辅助无线通信5G及以后，pp。31-36.Wu，X.，中国农业科学院，张，Q，吴，Y.，王，H.，Li，S.，孙湖，加-地Li，X.，2021年 F3 a-gan：使用生成对抗网络进行面部动画的面部流。IEEE Trans.图像处理。30，8658-8670。是的H朱庆国，Yao，Y.，（1996 - 1997），美国，Jin，Y.，Zhang，D.，中国农业科学院农业研究所所长，2022.基于成对特征的生成对抗网络用于不完全多模态阿尔茨海默病诊断。视觉计算，第1-10页Zhu，X.，雷，Z.，杨，J.，Yi，D.，Li，S.Z.，2015.用于野外人脸识别的高保真姿势和表情归一化。在：IEEE计算机视觉和模式识别会议论文集，pp。787-796。Zhu，X.，刘，X.，雷，Z.，Li，S.Z.，2017.全姿态范围内的面部对齐：3D整体解决方案。IEEE Trans.模式肛门。机器内部 41（1），78-92。Zia，T.，Murtaza，S.，Bashir，N.，Windridge，D.，尼萨尔，Z.，2022. Vant-gan：医学成像中基于差异的视觉归因的对抗学习。模式识别。Lett. 156，112-118。