Desempenho do DCGAN na Reconstrução Facial 3D

A reconstrução facial 3D tem muitas aplicações em realidade virtual, biometria e entretenimento, atraindo muito interesse nas áreas de visão computacional e gráficos. Redes Generativas Adversariais Convolucionais Profundas (DCGANs) mostraram potencial em produzir estruturas faciais 3D realistas a partir de fotografias 2D. Este artigo fornece uma análise abrangente dos DCGANs para reconstrução facial 3D em múltiplos conjuntos de dados. Embora os DCGANs tenham sido bem-sucedidos no passado em reconstruir rostos de animais, este estudo demonstra sua promessa para reconstruir rostos humanos. Usando uma estratégia organizada, os modelos DCGAN foram treinados em várias bases de dados faciais, como os conjuntos de dados FaceWarehouse, Prospo e CelebA. Apesar dos resultados encorajadores, o estudo descobriu que a eficácia do DCGAN para reconstruções faciais humanas 3D tinha limitações. Métodos qualitativos e quantitativos são aplicados para avaliar a proposta sugerida. O desvio padrão e o erro quadrático médio são utilizados na análise quantitativa, enquanto a inspeção visual dos rostos reconstruídos é utilizada no estudo qualitativo. Os pesquisadores propõem uma abordagem de modelo híbrido que combina DCGANs com técnicas adicionais, como reconhecimento de marcos e aprendizado por transferência, para melhorar a precisão e o realismo da reconstrução. Este artigo indica tópicos para mais pesquisas para desenvolver a disciplina e os avanços que melhoram nossa compreensão dos DCGANs na reconstrução facial 3D.