“3D实时换脸”PyTorch实现改进版，每张图的推理时间只需0.27毫秒！

此前，中科院自动化所的一篇论文《所有姿态范围内的面部替换：3D解决方案》引起广泛关注。近日，中科院的一位博士生对“3D实时换脸”论文PyTorch实现改进版，使得每张图的推理时间只需0.27毫秒，同时还增加了实时培训等功能。

2018年4月，针对如何解决所有姿势范围内的面部替换，中科院自动化所的研究人员发表了一篇论文，提出了3D实时解决方法。

近日，Github一位作者cleardusk（主页：https://github.com/cleardusk，目前是中科院自动化所的在读博士生）将“3D实时换脸”PyTorch实现改进版，每张图的推理时间只需0.27毫秒！

这一改进版本帮助Pytorch改进了论文《所有姿态范围内的面部替换：3D解决方案》中提到的方法。该论文的作者之一是来自中科院自动化所的Xiangyu Zhu，根据其个人主页上的信息，他和cleardusk博士期间的导师均是李子青教授，二人可以说是同门师兄弟。

面部对齐使面部模型适合图像并提取面部像素点的语义，已成为计算机视觉领域中的一个重要主题。此前，大多数算法都是针对中小姿态（偏角小于45度）的面部而设计的，缺乏在高达90度的大幅度姿态中对齐面部的能力，这一论文就是针对所有姿态范围内的面部替换所提出来的方法。

而此次这位博士生提出的改进版本还增加了一些额外的工作，包括实时培训、培训策略等，而不仅仅是重新实现“3D实时换脸”。更详细的内容未来将会发布在相关博客中，包括一些重要的技术细节。到目前为止，这个改进版本发布了预训练第一阶段的pytorch模型，其中包括MobileNet-V1结构、训练数据集和代码。在GeForce GTX TITAN X上，每张图像的推理时间约为0.27毫秒（输入批量为128 的情况下）。

以下是关于ALFW-2000数据集的几个训练结果（根据模型phase1_wpdc_vdc.pth.tar进行推断）：

那么，改进版能实现哪些应用呢？

首先，它能够实现面部对齐。

其次是面部重塑，实现“变脸”！

如何入门：要求与用法

如果要着手尝试改进版，那么你需要：

PyTorch >= 0.4.1

Python >= 3.6 (Numpy, Scipy, Matplotlib)

Dlib (Dlib用于检测面部和标志。如果你可以提供面部边框线和标志，则无需使用Dlib。可选择性地，你可以使用两步推理策略而无需初始化这些数据。)

OpenCV（Python版，用于图像IO操作。）

# 安装顺序：

sudo pip3 安装torch torchvision。更多选择点击：https://pytorch.org

sudo pip3 安装numpy，scipy，matplotlib

sudo pip3 安装dlib==19.5.0 # 19.15+ 版本，这可能会导致与pytorch冲突，大概需要几分钟

sudo pip3 安装opencv-python版

此外，强烈建议使用Python3.6 +而不是旧版，这样可以实现更好的设计。

接下来具体用法如下：

1、复制下面这个改进版（这可能需要一些时间，因为它有点大）

https://github.com/cleardusk/3DDFA.git或者[e-mail]:cleardusk/3DDFA.gitcd 3DDFA

2、使用任意图像作为输入，运行main.py：python3 main.py -f samples/test1.jpg

如果你可以在终端中看到这些输出记录，就可以成功运行它：

Dump tp samples/test1_0.ply

Dump tp samples/test1_0.mat

Save 68 3d landmarks to samples/test1_0.txt

Dump tp samples/test1_1.ply

Dump tp samples/test1_1.mat

Save 68 3d landmarks to samples/test1_1.txt

Save visualization result to samples/test1_3DDFA.jpg

因为test1.jpg有两张人脸，因此有两个mat（存储密集面顶点，可以通过Matlab渲染）和ply文件（可以由Meshlab或Microsoft 3D Builder渲染）预测。

结果samples/test1_3DDFA.jpg如下所示：

附加示例：

python3 ./main.py -f samples/emma_input.jpg --box_init=two --dlib_bbox=false

当输入批量为128 的情况下，MobileNet-V1的推理时间约为34.7毫秒，平均每张图像的推理时间约为0.27毫秒。

评估与训练资源

首先，你需要下载压缩的测试集ALFW和ALFW-2000-3D（下载链接：https://pan.baidu.com/s/1DTVGCG5k0jjjhOc8GcSLOw） ，下载后解压并将其放在根目录中。接下来，通过提供训练的模型路径来运行基准代码。我已经在models目录中提供了四个预先训练的模型。这些模型在第一阶段使用不同的损失进行训练。由于MobileNet-V1结构的高效率，模型大小约为13M。

在第一阶段，不同损失的有效性依次为：WPDC> VDC> PDC，使用VDC来微调WPDC的方法取得了最好的结果，预训练模型的性能如下所示：

训练脚本位于training目录中，相关资源如下：

1、train.configs（217M），链接：

https://pan.baidu.com/s/1ozZVs26-xE49sF7nystrKQ#list/path=%2F，该目录与3DMM参数和训练数据集的文件列表相对应；

2、train_aug_120x120.zip（2.15G），链接：

https://pan.baidu.com/s/19QNGst2E1pRKL7Dtx_L1MA，增强训练数据集的裁剪图像；

3、test.data.zip（151M），链接：

https://pan.baidu.com/s/1DTVGCG5k0jjjhOc8GcSLOw，AFLW和ALFW-2000-3D测试集的裁剪图像；

4、model_refine.mat（160M），链接：

https://pan.baidu.com/s/1VhWYLpnxNBrlBg5_OKTojA，BFM模型

准备好训练数据集和配置文件后，进入training目录并运行bash脚本进行训练。训练参数都以bash脚本呈现。