我有一个带有3个摄像头的VR头戴式耳机，可以捕获2只眼睛和一张嘴的图像。 所以我的输入是3张图片。我希望输出的数字表示3D动画模型的坐标。
在游戏中，有很多角色。您可能是一棵树，一条狗，一只猫，一个人等。我想现实地将用户的表情表达在这些角色上。
我想构建一个像这样的系统： https://www.youtube.com/watch?v=QyLYDImSMTo
如果可能，我还希望它跟踪用户的舌头。我现在想作为解决方案的方法是使用“生成对抗网络”来训练这些图像并输出数字向量。但是我担心这将导致计算效率低下，或者数字向量稍后在3D动画模型中难以使用。
请向我建议一种模仿最佳面部表情并且计算效率高的算法。