3D facial modelling and animation in computer vision and graphics traditionally require either digital artist's skill or complex pipelines with objective-function-based solvers to fit models to motion capture. This inaccessibility of quality modelling to a non-expert is an impediment to effective quantitative study of facial stimuli in experimental psychology. The EmoGen methodology we present in this paper solves the issue democratising facial modelling technology. EmoGen is a robust and configurable framework letting anyone author arbitrary quantifiable facial expressions in 3D through a user-guided genetic algorithm search. Beyond sample generation, our methodology is made complete with techniques to analyse distributions of these expressions in a principled way. This paper covers the technical aspects of expression generation, specifically our production-quality facial blendshape model, automatic corrective mechanisms of implausible facial configurations in the absence of artist's supervision and the genetic algorithm implementation employed in the model space search. Further, we provide a comparative evaluation of ways to quantify generated facial expressions in the blendshape and geometric domains and compare them theoretically and empirically. The purpose of this analysis is 1. to define a similarity cost function to simulate model space search for convergence and parameter dependence assessment of the genetic algorithm and 2. to inform the best practices in the data distribution analysis for experimental psychology.

中文翻译：

---

EmoGen：实验心理学的可量化情绪生成和分析

传统上，计算机视觉和图形中的 3D 面部建模和动画需要数字艺术家的技能或具有基于目标函数的求解器的复杂管道，才能使模型适合运动捕捉。非专家无法进行质量建模，这阻碍了实验心理学中面部刺激的有效定量研究。我们在本文中提出的 EmoGen 方法解决了使面部建模技术大众化的问题。EmoGen 是一个强大且可配置的框架，允许任何人通过用户引导的遗传算法搜索在 3D 中创作任意可量化的面部表情。除了样本生成之外，我们的方法还包括以原则方式分析这些表达式的分布的技术。本文涵盖了表达式生成的技术方面，特别是我们生产质量的面部混合形状模型，在没有艺术家监督的情况下对难以置信的面部配置的自动校正机制以及在模型空间搜索中使用的遗传算法实现。此外，我们对在混合形状和几何域中量化生成的面部表情的方法进行了比较评估，并从理论上和经验上对它们进行了比较。此分析的目的是 1. 定义一个相似性成本函数来模拟模型空间搜索，以实现遗传算法的收敛性和参数依赖性评估，以及 2. 告知实验心理学数据分布分析中的最佳实践。监督和模型空间搜索中采用的遗传算法实现。此外，我们对在混合形状和几何域中量化生成的面部表情的方法进行了比较评估，并从理论上和经验上对它们进行了比较。此分析的目的是 1. 定义一个相似性成本函数来模拟模型空间搜索，以实现遗传算法的收敛性和参数依赖性评估，以及 2. 告知实验心理学数据分布分析中的最佳实践。监督和模型空间搜索中采用的遗传算法实现。此外，我们对在混合形状和几何域中量化生成的面部表情的方法进行了比较评估，并从理论上和经验上对它们进行了比较。此分析的目的是 1. 定义一个相似性成本函数来模拟模型空间搜索，以实现遗传算法的收敛性和参数依赖性评估，以及 2. 告知实验心理学数据分布分析中的最佳实践。