摘要
神经辐射场（NeRF）使得3D场景的光线真实感新视角合成成为可能，并在面部领域扩展到从少量图像重建和动画3D面部模型。然而，现有的少样本动态NeRF方法在面部表情编辑中，通常会根据目标表情参数变形单一学习的特征体，这可能导致与身份相关的细节（如皮肤纹理和细微几何结构）在模型被驱动到远离少样本输入集的表情时出现漂移。
我们提出了身份一致性表情场（ICEF），这一框架明确将静态的身份特征辐射成分与动态的表情条件变形成分进行解耦，并引入身份保持正则化器，约束变形网络仅修改与表情相关的区域，同时保持身份特征的典型外观不变。ICEF还结合了置信度加权的条件特征变形步骤，对于在参数空间中远离观察到的少样本输入的目标表情，降低不可靠变形的权重，从而减轻了先前少样本动态NeRF方法在外推新表情时观察到的伪影。
我们将ICEF与之前的少样本动态NeRF、静态3D感知面生成和解耦面部编辑辐射场方法进行关联，并描述了一种评估协议，测量新表情渲染质量，并特别关注在不同表情参数外推距离下的身份一致性指标。
博主点评： ICEF框架通过解耦身份特征与表情变形，有效提升了少样本面部表情合成的质量和一致性。这种方法不仅解决了传统方法中的细节漂移问题，还通过置信度加权进一步增强了模型的鲁棒性，具有重要的应用前景。