《表2 AFLW2000上各个模型的参数规模和对应的NME-LOSS》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《面向三维人脸重建的自编码体素网络研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在Fish-Net中，有两种用于上采样和下采样的卷积块，分别是上采样-重制块（UR-block）和下采样-重制块（DR-block）。通过在Fish Net中设计的身体和头部，将尾部和身体各个阶段的特征连接到头部。Fish-Net精心设计了头部中的各层，以使其中没有I-conv。头部中的层是由串联，具有特征的卷积和池化层组成。因此，Fish-Net解决了尾部在躯干网络前获得梯度传播的问题，用到的两种方法分别是:1)排除头部的I-conv和2)在身体和头部使用串联。为了避免像素之间重叠，对于跨度为2的下采样Fish-Net，将卷积核大小设置为2×2，消融实验显示了网络中不同种类的内核大小对实验效果的影响。为了避免I-conv问题，应避免采用上采样方法中的加权反卷积，为简单起见，Fish-Net选择最近邻插值进行上采样，由于上采样操作将以较低的分辨率稀释输入特征，Fish-Net在重制模块中还应用了膨胀卷积，该方法被证明是可行并且确实可以提高UNET效果的，本文将UNET替换成Fish NET，并对数据结构进行相应的更改并重新训练，实验证明在相同参数和模型规模下，不论是AFLW2000数据集上，表2所示，还是Florence数据集上，表3所示，Fish NET的表现都要优于UNET（图7）。