A Hierarchical Representation Network for Accurate and Detailed Face Reconstruction from In-The-Wild Images

会议/期刊：CVPR 2023；阿里达摩院；Biwen Lei

概述：这是一篇单张图片三维人脸重建的论文，这篇论文的主要目标是在三维人脸重建时尽量还原细节信息。

如上图所示，他们将人脸重建过程分为三个部分，分别用低频、中频、高频信号来区分。低频表示基本的形状，也就是用3dmm生成的部分；中频表示顶点尺度的几何变形，用deformation map （64*64*3）来记录；高频表示像素尺度的位移，也就是一个displacement map(normal map)（256*256），在渲染的时候根据像素进行高度的插值。

我觉得很神奇的一点是，他的中频信号尽管只用于每个顶点的变形，但他仍然是用贴图的方式来存储，实际上如果deformation map的分辨率大一些，是和displacement map有类似作用的。是否真的有必要强行拆分成两个部分呢？

下图展示了他们的方法流程图：

左上角部分是用一个网络去预测BFM的参数和纹理贴图；左下角是根据输入和BFM生成的形状生成离线的训练数据（用于右下角的一些loss的计算）；右下角则体现了论文“Hierarchical”的思路，分级地去分别预测两个贴图，里面的“pix2pix”是前人提出的网络；右上角则是在训练中可微渲染成图像之后去学习网络权重。

他们的方法在REALY benchmark以及一些其它数据集上取得了SOTA。

Sdfusion: Multimodal 3d shape completion, reconstruction, and generation

会议/期刊：CVPR 2023；伊利诺伊大学厄巴纳-香槟分校（University of Illinois Urbana-Champaign，UIUC）；Yen-Chi Cheng

概述：用diffusion model进行3D资源的生成。下图展示了核心方法流程：

首先diffusion model本身对计算性能要求就很高，再加上想用在三维数据上，原始分辨率肯定不可行。因此论文首先将三维模型（T-SDF显式表示）通过VQ-VAE压缩，这里的VQ-VAE是3D版本的，基本和图像类似，把一个“大图像”压缩成一个“小图像”。图中$E_{\phi }$ 和$D_{\phi }$ 就是对应的编码器和解码器。编码后的size论文里好像没说，我去看了下代码应该是$16^3$ 。

图中蓝色框框就是diffusion model，在逆扩散过程用一个UNet去学习概率分布。

图中左下角解释了文章为什么说是“multimodal”，文章使用了High-Resolution Image Synthesis with Latent Diffusion Models提出的方法对逆扩散过程进行条件控制。然后对其它模态的输入进行编码，则是用的现有的方法，例如图像用CLIP、文本用BERT。

High-Resolution Image Synthesis with Latent Diffusion Models

会议/期刊：CVPR 2022；Ludwig Maximilian University of Munich & IWR, Heidelberg University, Germany；Robin Rombach

概述：之前的diffusion model都是直接在图像上做的，因为对计算资源要求高，往往图像分辨率会受到很大的限制。像是guided diffusion的图像一般都是256*256，这就需要大量的GPU去进行训练。这篇论文提出的方案是将图像编码到latent space，然后在隐空间做diffusion。

按照我的理解，图像本身包含了大量的冗余信息，例如某个像素的颜色可能和其周围的非常接近，又比如将图像分辨率减半实际上并不会太影响对图像信息的理解。因此先进行压缩到最小的语义空间然后再进行diffusion，是一个很朴素的思想。

文章使用的编码器和解码器（$\epsilon$和$D$）是一个GAN架构，中间的latent space 用VQVAE的离散形式表示，通俗来讲就是”把大图像压缩成小图像“。文章中称为perceptual compression。进行压缩后的扩散模型优化目标可以写为

除了latent的特点之外，论文还给出了条件控制的方法，也就是图中右边框框所示。对于不同模态的控制条件输入$y$，用一个domain specific encoder ${\tau }_{\theta }$ 进行编码，然后用 cross-attention 的注意力机制，实际上就是注意力机制，只不过QKV用 ${\tau }_{\theta }$ 的输出进行计算：

这样将控制信息引入diffusion过程。

NerVE: Neural Volumetric Edges for Parametric Curve Extraction from Point Cloud

会议/期刊：CVPR 2023；SSE, CUHKSZ（港中大深圳理工）；Xiangyu Zhu

概述：一个从点云提取参数化曲线的工作。

传统的边缘提取的做法是，先识别出关键点，然后再提取边缘。本文则是直接提取出曲线，方法流程如下：

首先论文定义了“边”如何用体素来表示（Volumetric Edge），大致就是对每一个体素定义：(1)是否占用；(2)是否与邻居相连，论文定义了方向所以只有3个邻居；(3)顶点在体素，也就是一个小方块里面的坐标。

然后对于输入的点云，接一个PointNet++，最后池化为一个特征向量，然后再用3D CNN卷积为体素形式，也就是图中的“Feature Grid”。这个Feature Grid其实就是预测的Volumetric Edge，大括号右边的三个对应上一段介绍的三个数据。根据每个像素存储的3个数据，可以提取出分段线段表示（Piece-Wise Linear, PWL），虽然图中画的是"NerVE Cubes"，但实际上用到的是存储的顶点坐标嘛，所以实际上就是一条一条的线段。最后用参数化样条去拟合这些线段，得到边缘结果。

我对这篇论文的看法是，首先分辨率有限，如中的Feature Grid分辨率是$32^3$，不如说三维体素的神经网络分辨率都不会太高，论文里也提到这会导致很多交叉点；其次这种方法应该适合边缘比较规整的点云，通俗点讲就是“横平竖直”，比如论文只在CAD数据上做了测试。

Denoising Diffusion Probabilistic Models for Robust Image Super-Resolution in the Wild

会议/期刊：arxiv；Google Research, Brain Team；Hshmat Sahak

概述：该论文将扩散模型用于超分辨率领域，超过了过去的由GAN得到的SOTA。我大致看了下论文，他们用的网络结构基本就是另外一篇论文的网络，然后介绍了很多对图像做“degradation”的方法，例如Blur、Resize、JPEG compression，最后再加上添加噪声去增强数据。感觉文章主要说了怎么构造数据去训练，之后就是对比实验。