Dynamische Erfassung von Gesichtsausdrücken und 3D-Animationsgenerierung basierend auf Generativen Gegenspielernetzwerken

In den letzten Jahren ist die Interaktion zwischen Mensch und Computer, basierend auf den Funktionen von Computersoftware, weit entfernt davon, die menschlichen Bedürfnisse für die Computernutzung durch die Entwicklung von Computern und Künstlicher Intelligenz (KI) zu erfüllen. Die Menschen erwarten eine bequemere und schnellere Mensch-Computer-Schnittstelle. In der mobilen Netzwerkumgebung wird die Genauigkeit der verwandten Bildabgleichalgorithmen durch Faktoren wie Bandbreitenschwankungen und Kanalinterferenzen beeinträchtigt, was zu erheblichen Einschränkungen beim Bildmerkmalsabgleich führt. Der Ansatz des tiefen Lernens mittels Generativer Gegenspielernetzwerke (GAN) wird vorgeschlagen, um den dynamischen Effekt der 3D-Animationsgenerierung durch die Nutzung von Gesichtsausdrücken zu erfassen. Der Merkmalsextraktionsansatz nutzt das Histogramm (HOG) und setzt das GAN zur Klassifizierung für die dynamische Erfassung von Animationseffekten ein. OpenGL und C++ werden für die 3D-Animation eingesetzt, um das Rendering zu simulieren. Die Ergebnisse zeigen, dass der Ansatz zur Gesichtserkennung sowohl in Bezug auf Genauigkeit als auch Geschwindigkeit gute Leistungen erzielt hat.