【计算机图形学生成完美笑容】科学家根据时空轨迹生成“成功的微笑”

2017 年 7 月 1 日 新智元

   新智元编译  

来源:sciencemag.org、journals.plos.org

作者:Nathaniel E. Helwig 等

编译:刘小芹


【新智元导读】面部表情是社会性互动中非语言沟通的重要形式,美国明尼苏达大学的一项新研究使用3D计算机模拟生成微笑表情,并对其进行评价,发现“成功的微笑”所具有的特征。这些发现有助于面部表情障碍治疗的研究。


论文地址:http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0179708


想要以完美的笑容打动你的朋友和同事们?一个新的计算机程序可以帮你。美国明尼苏达大学的一项新研究中,研究人员创建了一些人头像(如图),并在志愿者面前使它以几十种不同的方式微笑。调查显示,不存在一个最成功的笑容,但是大部分处于最佳范畴,相关研究昨天发表在公开访问期刊 PLOS ONE。志愿者发现稍微有点不对称的笑容比完全对称的笑容更有吸引力,例如,嘴咧得非常开但露出的牙齿不多的笑容相比嘴咧得很开而且露出很多牙齿的笑容更具吸引力。研究者发现大多数笑容被志愿者评定为拥有幸福感的,但微微歪着嘴角的微笑被视为是轻蔑。这些发现可以帮助医务人员为面部麻痹的患者重拾笑容。

 

面部表情是社会性互动中非语言沟通的重要形式,以前的研究表明,计算机生成的面部模型对于系统地研究表情在空间和时间上的变化如何影响人们对表情的解释。本研究的作者把计算机生成的一系列3D面部模型展示给802名参与者。每个模型的表情都通过改变嘴巴的角度,咧嘴的程度,牙齿露出的多少,以及笑容如何对称而变化,参与者被要求基于有效性,真实性,愉悦感和情感表达来评价笑容。

 

研究人员发现,一个成功的微笑——一个被认为是有效,真实和愉快的微笑——可能会与“总是越多越好”的原则相悖,因为笑容更大,露出更多的牙齿实际上可能效果不那么好。因此,成功的笑容是牙齿的露出,嘴的角度和咧嘴程度的最佳平衡,研究者称之为微笑的“sweet spot”。如果笑容的这几个因素非常一致,左脸和右脸被同步到125毫秒以内,笑容也被评价为更为成功。

 

该研究的作者表示,使用3D计算机模拟有助于理解时空变化对面部表情的情感感知的影响。对于由于中风之类的疾病导致面部表情障碍的患者,这个研究的结果也对目前的面部康复护理和医疗有参考作用。



论文:成功的微笑的动态特征(Dynamic properties of successful smiles)


摘要:

 

面部表情是社会互动和非语言沟通的基础。在这项研究中,我们使用计算机动画3D面部工具来调查笑容的动态属性是否能被感知。我们创建了一些笑容的动画,然后系统地操纵笑容的角度,程度,牙科露出和动态对称性。然后,我们询问了802个参与者,要求他们就笑容的有效性,真实性,愉悦性和让人感觉到的情感意图进行评分。我们将一个“成功的笑脸”定义为有效,真实,让人感到愉悦。我们发现一个成功的微笑可以通过各种不同的时空轨迹来表达,包括复杂的嘴巴角度的平衡,笑的程度和露出的牙齿,以及动态对称性。这些发现在各种领域有广泛的应用,如面部手术,康复治疗,计算机图形学和心理学。

 

图1. 27个不同的笑脸。


27个笑容代表3个空间因素(嘴的角度,微笑程度,露出的牙齿)和3个不同级别(低,中,高)的组合。数字1-27是用于事后分析,没有标在动画中。


图2.研究中使用的空间参数的定义。


嘴的角度是指绿线和蓝线之间的角度。微笑程度是指绿线的长度。牙齿露出是指双唇之间的距离。

 

图3. 具有不同的时间(延迟)的不对称微笑。


所有动画以相同(对称)中性表达开始,以相同(对称)微笑表达结束,因此250毫秒动画中仅有几帧可见不对称性。


表1. 适合模型的信息标准。

 

表3. 对称和不对称微笑的模型拟合信息。

 

图6.对称微笑的SSANOVA模型预测。


第1行表示3个协变量的预估主效果函数:年龄,性别和饮酒情况。最后一行为图1所示的27个微笑动画中的每一个绘制了估计的笑容效果函数预测。在每个子图中,阴影区域或条表示90%贝叶斯置信区间。


 图7.微笑效果的可视化。


这个热图绘制了微笑参数之间的三向互动。每个面后面的3个垂直条表示3个响应变量(有效、正确和愉快)的预测得分:有效,真实和愉快。 绿色越深对应越好(即评价更高)的微笑,并且较红的颜色对应于较差(即评价较低)的微笑。

 

图8. 不同角度范围的牙齿露出效果。


(a) 具有较小角度范围组合的两个微笑。(b)具有较大角度范围组合的两个微笑。



参考原文:http://www.sciencemag.org/news/2017/06/avatar-could-help-you-perfect-your-smile

http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0179708 



点击阅读原文查看新智元招聘信息


登录查看更多
0

相关内容

【IJCAI2020】图神经网络预测结构化实体交互
专知会员服务
42+阅读 · 2020年5月13日
【ICMR2020】持续健康状态接口事件检索
专知会员服务
17+阅读 · 2020年4月18日
【中科院自动化所】视觉对抗样本生成技术概述
专知会员服务
35+阅读 · 2020年4月15日
能生成逼真图像的不只有 GAN
机器学习算法与Python学习
8+阅读 · 2019年6月6日
同质结中的“超注入”现象:半导体光源迎来新机遇!
人工智能能够预测地震吗?
人工智能学家
7+阅读 · 2018年12月10日
拆台BigGan:“失败”图像生成集锦
论智
5+阅读 · 2018年11月19日
如何轻松解锁神经网络的数学姿势
ImportNew
6+阅读 · 2018年1月4日
Arxiv
101+阅读 · 2020年3月4日
Arxiv
9+阅读 · 2020年2月15日
VrR-VG: Refocusing Visually-Relevant Relationships
Arxiv
6+阅读 · 2019年8月26日
Arxiv
8+阅读 · 2018年3月17日
Arxiv
4+阅读 · 2018年3月1日
VIP会员
相关资讯
能生成逼真图像的不只有 GAN
机器学习算法与Python学习
8+阅读 · 2019年6月6日
同质结中的“超注入”现象:半导体光源迎来新机遇!
人工智能能够预测地震吗?
人工智能学家
7+阅读 · 2018年12月10日
拆台BigGan:“失败”图像生成集锦
论智
5+阅读 · 2018年11月19日
如何轻松解锁神经网络的数学姿势
ImportNew
6+阅读 · 2018年1月4日
相关论文
Arxiv
101+阅读 · 2020年3月4日
Arxiv
9+阅读 · 2020年2月15日
VrR-VG: Refocusing Visually-Relevant Relationships
Arxiv
6+阅读 · 2019年8月26日
Arxiv
8+阅读 · 2018年3月17日
Arxiv
4+阅读 · 2018年3月1日
Top
微信扫码咨询专知VIP会员