기존의 3D 얼굴 정렬 방법들은 주로 정적인 얼굴 이미지에서 정확한 얼굴 정렬 결과를 얻는 데 목적을 둔다. 이러한 방법들은 큰 자세 변화, 가림(occlusion), 극단적인 조명 조건에서도 강한 정렬 성능을 보이지만, 비디오 기반의 연속 3D 얼굴 정렬에서는 종종 떨림(trembling) 양상의 인공물이 발생한다. 시간축에서 한 프레임의 오정렬이 다른 프레임들로 오류를 연쇄적으로 전파할 수 있으므로, 시간적 미스얼라인먼트를 줄이는 일은 여전히 어려운 과제이다. 본 문제를 해결하기 위해, 얼굴 정렬 결과와 정답(ground truth) 얼굴 애니메이션 사이의 분포 격차(distribution gap)를 학습하는 새로운 시간적 식별(temporal discriminating) 방식을 제안한다. 식별 결과를 가이드로 활용함으로써, 제안된 방법은 시간적 떨림 인공물을 감소시켜 입력 비디오에 대해 3D 얼굴을 효과적으로 정렬할 수 있다. 분포 격차를 효과적으로 학습하기 위해, 정체성(identity) 변화와 표정(expression) 변화에 따라 얼굴 애니메이션을 각각 구분하여 식별하는 다중 식별(multi-discriminating) 방식을 도입한다. 이는 제안된 방법이 특히 역동적이고 빠른 움직임에서 안정화된 정렬 결과를 생성할 수 있게 해준다. 정성적 및 정량적 평가를 아우르는 광범위한 실험을 통해, 본 방법이 비디오에서 안정화된 결과를 애니메이션화함으로써 최신의 3D 얼굴 정렬 방법들보다 우수함이 확인되었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.