编者按：本文由微信公众号编译，来源：Science、Springer、arXiv，Science 报道作者：Matthew Hutson，译者：闻菲、弗格森；36氪经授权发布。

　　伦敦帝国理工学院的研究人员开发了一种新的系统，能自动对各种族、年龄的人脸进行准确的 3D 建模。他们还建立了一个大规模人脸扫描数据库，用于训练这个系统。实验证明，该系统比当前常用的最好模型表现优异许多，可以将任意角度拍摄的 2D 快照生成逼真的 3D 人脸。Science 对此作了报道，标题中提到“计算机科学家构建了迄今最精准的人脸数字模型”。（题图即为新模型随意生成的一些人脸。）

　　如果你用过智能手机应用程序 Snapchat（译注：类似国内美图秀秀），你可以将自己的照片变成迪斯科熊，或者将你的脸和另一个人的脸融合在一起。现在，一组研究人员已经创造出当前最先进的 3D 人脸建模技术。使用这一系统不仅可以改善视频游戏中的个性化头像、提升人脸识别的安全性——当然，atv，也能让你拥有更好的 Snapchat 滤镜。

　　计算机处理人脸时，有时会依赖一种所谓的“3D 变形模型”（3DMM）。这一模型代表了一个平均人脸，但同时也包含了与这一平均值常见的偏差模式信息。例如，如长了一个长鼻子的脸也可能有一个很长的下巴。鉴于这种相关性，计算机可以在不将有关你脸部全部表征信息都存储下来的情况下，只列出几百个数字描述你的脸与平均人脸的偏差，就能够生成专属于你的面部图像了。不仅如此，这些偏差还包括大致的年龄、性别和脸部长度等参数。

　　但是，这样也有一个问题。因为世界上的人脸千变万化，要将所有人脸与平均人脸的偏差都存储下来，3DMM 需要集成许多面部的信息。目前为止所采用的方法是扫描大量人脸，然后人工仔细标记所有的特征。也因此，目前最好的模型也只是基于几百张人脸——大部分还都是白人，而且模型在模仿不同年龄和种族人脸方面的能力十分有限。

　　结合三种算法，全自动精准人脸 3D 建模

　　现在，伦敦帝国理工学院（ICL）的计算机科学家 James Booth 和同事开发了一种新的方法，可以自动构建 3DMM，并使其能够融入更广泛的人脸，比如不同种族的特征。这种方法有 3 个主要步骤。首先，一个算法自动对人脸扫描图像做标记（landmnrk）——将鼻尖和其他点打上标签。然后，另一种算法根据标记对所有扫描图像进行排序，并将其组合成一个模型。最后，第三个算法检测和删除无用（bad）的扫描图像。

　　没有参与这项研究的英国约克大学计算机视觉研究所的 William Smith 说：“这项工作真正巨大贡献在于他们展示了如何将这一过程全面自动化。”

　　德国达姆施塔特弗劳恩霍夫计算机图形研究所（Fraunhofer Institute for Computer Graphics Research in Darmstadt, Germany）计算机科学家 Alan Brunton 也没有参与这项研究。Brunton 评论说，在人脸上做标记实际上是很难的事情，“你以为打标签就是点一下鼠标很容易，但嘴角究竟在哪里很多时候是说不清楚的，所以即使是人工打标签也会发生错误。”此外，Brunton 还表示，在很多张人脸上打标签是十分乏味又无聊的工作。

　　在 3DMM 中有两种用于建立密集对应（dense correspondence）的技术。上排是在 UV 空间（通常是网格状和纹理信息的圆柱形投影）中建立的人脸对应。每个网格的 UV 图像都会注册到模板 UV 图像，随后的采样会生成一个与模板对应的混合图形（mesh）。下排展示的是非刚性迭代最近点（NICP），NICP 可以迭代使用，不断将 3D 模板变形从而匹配每个网格，完全避开 UV 空间。来源：Booth, J., Roussos, A., Ponniah, A. et al. Int J Comput Vis (2017). doi:10.1007/s11263-017-1009-7

　　创建大规模人脸模型 LSFM，包含不同种族、年龄的人脸

　　在建立了这样一个自动化 3D 人脸建模系统后，Booth 和他的同事还将系统应用到近 10,000 张人口统计学得到的多样化人脸扫描图像上。这个扫描是整形外科医生 Allan Ponniah 和 David Dunaway 在伦敦一家科学博物馆里做的，他们做这些扫描的目的是希望提升重建面部手术的质量。

　　做完扫描后，Ponniah 和 Dunaway 联系了 ICL 计算机科学家 Stefanos Zafeiriou，想让后者帮助他们分析这些数据。于是，Zafeiriou 也参与到项目中，将 Booth 他们的算法应用于这些扫描图像，创建了他们所谓的“大规模人脸模型”（large scale facial model，LSFM）。