论文链接：Fake It Without Making It: Conditioned Face Generation for Accurate 3D Face Shape Estimation
Fake It Without Making It: Conditioned Face Generation for Accurate 3D Face Shape Estimation
Will Rowan, Patrik Huber, Nick Pears, Andrew Keeling
University of York, University of Leeds
1. Introduction
基于监督学习的3D人脸生成方法通常受限于缺乏数据集；3D捕捉耗时耗财，这就使得大规模的数据集不易获得。因此很多人都使用自监督学习的方法，但这种方法在度量重构方面的表现不是很好。
还有一种方法是用计算机图形来拟真3D人脸。Wood等人提供了一个大规模的、使用参数化人脸模型和手工绘制的数据集来训练出了一个准确的2D landmark回归器。他们可以训练出一种3D人脸模型来预测landmark。 这种方法有一定的鲁棒性的表现，但仍有差距。用这种方法生成的图片没有真实图片的真实感，并且过程中需要用到特定的数据集，而且计算费用高。
他们提出的这种方法通过使用精心制作的数据集结合fake it till you make it的思想，使他们真正做到了make it，并且在现实生活中也有着不错的表现。
而我们提出的方法可以在没有精心准备的数据集的情况下做到fake it
Zielonka等人注释并统一了既存的3D人脸数据集来监督训练他们的MICA (MetrIC fAce) 网络，这是迄今为止最为先进（state-of-the-art）的利用单张图片在NoW基准下进行3D人脸重构（metric 3D face reconstruction）的方法。
我们在数据集构造和利用大规模数据集的精确的3D人脸重构的网络中都使用了2D数据集。
