网站背景图
洗子の小窝 但行己路 无问山海
博主

3小时前在线

洗子の小窝
但行己路 无问山海
Title

SIGGRAPHAsia2025|使用偏振RGB正弦照明的单次人脸采集

洗子

·

🎓学习录

·

Article

拍下一张人脸照片,能不能同时知道皮肤本来的颜色、哪里更容易反光、哪里的高光更尖锐,以及毛孔和细纹朝哪个方向起伏?

这些信息都影响一张脸的真实感,却混在同一张照片里。额头亮,可能因为皮肤反射更强,也可能因为光源刚好映在额头上;高光变宽,可能是表面更粗糙,也可能是光源本来就很大。要把这些因素拆开,传统采集系统通常会不断切换灯光,让同一个人配合拍摄多张照片。

这篇论文换了一种办法:把原本需要分时测量的照明信息,编码进同一次拍摄中的红、绿、蓝三个通道。 再用偏振先分开漫反射与镜面反射,从三个颜色读出反射响应的均值、起伏幅度和相位,分别用于恢复反射强度、粗糙度与细节方向。

单次采集得到的外观贴图与重打光

图1|从彩色照明下的人脸观测,得到漫反射反照率、镜面反照率、镜面粗糙度和光度法线,并在新的环境光下渲染。来源:原论文图1。

先把“单次”说清楚:实验装置使用15台相机,在一种固定的RGB正弦照明下从不同视角采集。它减少的是切换照明图案的需要,并不是用一张普通手机自拍完成全部重建。输出中的毛孔级明暗细节,也主要由法线与材质贴图表达,并不意味着基础三维网格已经逐个恢复了毛孔形状。

论文信息

项目内容
英文标题Single-Shot Facial Capture using Polarized RGB Sinusoidal Illumination
中文标题使用偏振RGB正弦照明的单次人脸采集
发表SIGGRAPH Asia 2025 Conference Papers
作者Arvin Lin、Abhijeet Ghosh
机构Imperial College London、Lumirithmic
项目主页https://wp.doc.ic.ac.uk/rgi/project/single-shot-facial-capture-using-polarized-rgb-sinusoidal-illumination/
代码官方项目页未列出公开代码入口
关键词人脸外观采集、偏振成像、RGB复用、正弦照明、反射分解、粗糙度、光度法线

一、想让数字人换一盏灯,为什么先要把高光拆开?

一张照片记录的是“这张脸在此刻照明和视角下看起来怎样”。可重打光的人脸模型则需要回答另一件事:光换了之后,它应该怎样反射?

这要求模型保留几类不同的信息。

输出描述什么在渲染中的作用
漫反射反照率漫反射部分的本征颜色与反射比例避免把原照片中的阴影直接画进肤色
镜面反照率镜面反射分量的强度参数描述不同位置反光强弱的变化
镜面粗糙度微表面朝向分散的程度控制高光集中还是扩散
光度法线由光照响应推断的局部表面方向表达毛孔、细纹带来的细小明暗变化

这里最容易混淆的是镜面反照率和粗糙度。前者主要影响反射的强弱,后者影响反射在方向上的分布。只观察一张普通高光照片,两者可能互相补偿:降低反射强度、调整粗糙度,都可能让某些像素变暗。

如果把所有参数一起交给逆渲染优化,最终图像可能拟合得不错,但内部参数未必分得清。某条纹理究竟被放进了颜色、粗糙度还是法线,往往受到初始化和先验影响。

作者的目标,是让照明本身提供更有区分力的测量。先通过偏振隔离镜面反射,再观察它如何响应一个带有已知频率和相位的彩色光场。这样,亮度不再只有“亮或暗”,还携带了反射分布的信息。

二、采集系统:偏振先分成分,RGB再分相位

采集装置与正弦照明

图2|左侧是屏幕与多相机装置,右侧通过镜面球展示RGB正弦光场的方向分布。来源:原论文图2。

装置采用LCD屏幕照明,利用其线偏振特性。15台单反相机分成5列,每列上、中、下各一台,每台镜头前安装偏振滤镜。

中间一排相机与照明交叉偏振,主要采集漫反射;上、下两排与照明平行偏振,采集漫反射与镜面反射的混合响应。

直观地说,皮肤表面反射较多保留入射光的偏振状态,而进入皮肤内部散射的光会发生去偏振。因此,交叉偏振可以显著抑制表面高光,让系统先获得相对独立的漫反射观测。这里采用的是论文的反射分离近似,不是完整的皮肤偏振散射模型。

15台相机得到的观测

图3|上、下两排保留高光,中间一排抑制高光。多视角观测还需要投影到共同的表面坐标中,才能比较同一块皮肤。来源:原论文图3。

接下来,作者不让屏幕显示均匀白光,而是沿球面经度方向改变照明颜色。设入射方向为$\boldsymbol\omega=(\phi,\theta)$,其中$\phi$是照明方向的方位角,原论文式(1)为:

$$ I(\boldsymbol\omega)= \begin{cases} R:\ \cos(3\phi)+1,\\ G:\ \cos(3\phi+120^\circ)+1,\\ B:\ \cos(3\phi-120^\circ)+1. \end{cases} \tag{1} $$

三个通道具有相同的角频率,却相差120°。加上的常数1让照明保持非负,同时提供一个恒定的亮度基底。

可以把它想成三条沿同一方向起伏的光带,红、绿、蓝的峰值依次错开。一块皮肤反射不同方向的光时,会以不同权重混合这些光带,最终形成一个RGB响应。

普通照片把RGB主要当颜色;这里还把RGB当作三次相位测量。 这也是它能在不切换灯光的情况下获得额外信息的原因。

但两件事必须提前处理:相机通道之间的串扰,以及不同相机之间的表面对应关系。

三、先校准,再对齐:不能直接拿原始RGB套公式

1. 颜色通道并不是天然互不干扰

屏幕发出的“红光”,不一定只被相机红通道接收。光源具有一定的光谱宽度,相机通道也有重叠的光谱灵敏度。直接把原始RGB当成三个独立相位,就可能把通道串扰误读为材料变化。

原论文式(2)用一个$3\times3$矩阵表示这种耦合:

$$ c_{i,j}=\int_\Lambda P_j(\lambda)S_i(\lambda)\,d\lambda. \tag{2} $$

$P_j(\lambda)$表示第$j$个照明通道的光谱功率分布,$S_i(\lambda)$表示相机第$i$个通道的灵敏度。积分衡量的是“第$j$种照明会被第$i$个相机通道收到多少”。

随后按照原论文式(3)校正颜色向量:

$$ \mathbf{ c }'=(C^{-1})^T\mathbf{ c }. \tag{3} $$

这里保留原文的矩阵约定。实际系统为每台相机拍摄色卡,测量对应的颜色校正矩阵。后续相位分析建立在经过校准的观测上。

2. 不同视角必须指向同一块皮肤

15台相机并没有拍到完全相同的像素排列。左侧相机看到的鼻翼,与正面相机中的鼻翼,需要先建立对应。

作者首先用NeuS重建基础几何。虽然彩色图像携带光度信息,但实验发现,把输入转为灰度、减弱彩色照明差异,能得到伪影更少的基础几何。

之后展开UV,将三维表面映射到二维纹理坐标。各相机的照片投影到这张共同的“皮肤地图”中,同一个UV位置才代表同一处表面。

系统汇集5台交叉偏振相机的观测,得到共享的漫反射颜色,再从各平行偏振视角的测量中分离出镜面分量,形成10幅视角相关的镜面UV图。

这不是把不同视角的原始照片逐像素直接相减,而是在几何对应和校准之后,比较同一处表面的反射。

四、核心公式:三个颜色怎样给出均值、振幅和相位?

完成反射分离后,作者用下面的余弦响应描述一个像素在不同照明相移下的镜面反射。原论文式(4)为:

$$ E(\varphi)=\rho+A\cos(\varphi-\hat\varphi). \tag{4} $$

先区分两个容易混的符号:$\phi$是光源在空间中的方位角,$\varphi$是人为设置的照明相移。RGB分别提供$0^\circ$、$120^\circ$、$-120^\circ$的相移观测。

这条式子有三个未知量:$\rho$是平均响应,包含镜面反照率与菲涅耳效应;$A$是响应随相移变化的振幅;$\hat\varphi$是相位偏移,与占主导的反射方向有关。

为什么三个颜色就能求出它们?下面把式(4)展开。这里的代数推导用于解释原式,不是论文另外提出的编号公式。

令校准并分离后的三个镜面观测为$e_R,e_G,e_B$。将三个相位代入:

$$ \begin{aligned} e_R&=\rho+A\cos\hat\varphi,\\ e_G&=\rho-\frac{A}{2}\cos\hat\varphi +\frac{\sqrt3 A}{2}\sin\hat\varphi,\\ e_B&=\rho-\frac{A}{2}\cos\hat\varphi -\frac{\sqrt3 A}{2}\sin\hat\varphi. \end{aligned} $$

三式相加,所有起伏项刚好抵消:

$$ \rho=\frac{e_R+e_G+e_B}{3}. $$

再取两组差分,分别提取余弦和正弦分量:

$$ a=\frac{2e_R-e_G-e_B}{3}=A\cos\hat\varphi, \qquad b=\frac{e_G-e_B}{\sqrt3}=A\sin\hat\varphi. $$

于是:

$$ A=\sqrt{a^2+b^2}, \qquad \hat\varphi=\operatorname{atan2}(b,a). $$

这组关系揭示了方法的实际信息来源。三个颜色不是三份随意的亮度,而是三个已知相位位置的采样;通过平均与差分,能分别取出基底、起伏强度和起伏位置。

不过,要把跨颜色的观测放入同一个余弦模型,还依赖一个重要前提:皮肤是介电材料,其镜面反射在这里近似视为无色。漫反射具有明显的肤色差异,所以作者先利用偏振把两者分开,再在镜面分量中做相位分析。

五、漫反射:为什么彩色照明下也能估计本来的肤色?

交叉偏振去掉了大部分高光,却不会自动去掉照明颜色。如果脸的一侧受红光照得更多,拍到的漫反射颜色也可能偏红。

作者利用了频率为3的正弦照明在理想条件下的积分性质。原论文式(5)针对凸表面、满球面照明与漫反射模型,将一个通道的观测写为:

$$ \begin{aligned} c_i &=\int_\Omega\frac{\rho_{d,i}}{\pi} \left[\cos(3\phi+\varphi_i)+1\right] \cos\hat\theta\,d\omega\\ &=\rho_{d,i} +\int_\Omega\frac{\rho_{d,i}}{\pi} \cos(3\phi+\varphi_i)\cos\hat\theta\,d\omega\\ &=\rho_{d,i}. \end{aligned} \tag{5} $$

$\rho_{d,i}$是第$i$个通道的漫反射反照率,$\hat\theta$是入射方向与表面法线的夹角。第一项来自均匀照明基底;第二项来自正弦起伏。

按论文采用的理想照明分析,后者积分为零,留下漫反射反照率。这解释了频率为什么不能随便选:作者选择$f=3$,是为了满足漫反射估计需要,同时避免更高频率使镜面估计更复杂。

关键在于,屏幕装置并不覆盖完整球面。头顶和下巴底部缺少足够的入射光,原本应相互抵消的方向贡献也不完整。此时测到的颜色仍包含彩色着色。

因此,实际流程会在虚拟场景中复现屏幕照明,用具有均匀反照率的基础人脸几何渲染出着色因子,再用它校正交叉偏振观测。

这一步依赖几何和照明建模的准确性。真实皮肤还存在未被显式建模的次表面散射,因而校正后仍可能残留色偏。后面的实验确实显示了这一点。

六、粗糙度:为什么要看“振幅÷均值”?

镜面较光滑时,反射集中在较窄的方向范围,正弦光场的峰谷更容易被保留下来,响应起伏明显。表面更粗糙时,镜面反射把更宽方向范围的光混合在一起,光场的起伏被平滑,振幅下降。

但只看振幅$A$还不够:反射本来较弱,也会使振幅变小。

作者因此采用归一化比值:

$$ \gamma=\frac{A}{\rho}. $$

在采用的模型和校准条件下,镜面反射整体增强时,均值与振幅会共同变化;取比值能够减少绝对强度的影响,突出反射分布对正弦信号的平滑程度。

振幅比与粗糙度的关系

图4|不同反射极角下,$\gamma$随粗糙度变化的曲线。不同角度的曲线并不重合,因此仅凭比值不能唯一确定粗糙度。来源:原论文图4。

同一个粗糙度,在不同反射方向下也会产生不同的比值。所以作者没有把$\gamma$直接当成粗糙度,而是建立二维查找表:

$$ \sigma=\operatorname{LUT}(\gamma,\theta_r). $$

这是对查表过程的说明性写法。其中$\sigma$是镜面粗糙度,$\theta_r$是反射方向相对赤道面的角度;论文规定反射方向位于赤道面时$\theta_r=0$。

查找表通过Blender生成:在同样的彩色正弦照明下,使用GGX微表面BSDF渲染不同粗糙度的参考球,记录各个反射角度上的$\gamma$。真实测量时,先拟合$\rho,A,\hat\varphi$,再利用反射方向查出对应粗糙度。

与此同时,$\rho$还需要根据观察角度和估计法线补偿菲涅耳效应,才能得到视角无关的镜面反照率$\rho_s$。因此,这里的“分开估计”意味着不再把材质与法线全部放进同一个联合拟合问题,并不意味着所有输出之间完全没有依赖。

粗糙度估计的噪声敏感性

图5|横轴为真实粗糙度,纵轴为反射极角,颜色表示估计误差,超过0.1的部分被截断显示。来源:原论文图5。

噪声分析给出了这个测量的适用边界。在论文采用的噪声假设下,粗糙度约在0.1—0.7范围内通常较可靠,接近赤道的反射方向可支持更宽的范围。

这不是“所有皮肤、所有角度都保证达到同一精度”。当镜面响应太弱,或比值对粗糙度变化不再敏感,测量就更容易受噪声影响。实际系统记录16位RAW,有助于保留测量信息,但不能消除照明覆盖不足造成的欠约束。

七、法线:相位告诉我们方向,但一个视角还不够

反射相位$\hat\varphi$与主要反射方向有关。不过,一个相位值不能独立确定三维法线;光场还具有周期性,不能直接把相位数值当作表面朝向。

论文针对理想球面照明和实际屏幕照明,采用了两条不同的法线恢复路径。

1. 球面照明:让多个视角共同约束法线

在照明覆盖充分时,不同相机可以稳定测量同一处表面的反射相位。原论文式(6)为:

$$ \min_{\mathbf{ n }}\sum_c \left[\Phi(\mathbf{ n },\mathbf{ v }_c)-\hat\varphi_c\right]^2. \tag{6} $$

$\mathbf{ n }$是待估计的法线,$\mathbf{ v }_c$是第$c$台相机的观察方向,$\hat\varphi_c$是实测相位。函数$\Phi$根据候选法线和观察方向,预测该相机应看到的相位。

求解过程就是不断寻找一个表面朝向,使它在多个视角下预测出的相位,都尽量接近实际测量。基础几何与多视角信息提供了恢复细节所需的上下文。

这也说明,论文并非完全没有优化:基础几何由NeuS训练得到,理想照明下的光度法线也需要求解。它减少的是反射参数纠缠的联合估计,而不是取消整个重建流程中的数值求解。

2. 屏幕照明:保留基础方向,再嵌入高频细节

实际屏幕在垂直方向覆盖有限,部分表面接收不到足够光照。此时,相位还可能受到近场照明偏差影响,直接融合多视角相位反而容易产生噪声。

作者因此采用细节嵌入,也就是normal embossing:让基础几何负责较稳定的大尺度方向,再把观测中的高频变化加入反射方向图。

这个过程分别处理反射方向的方位角$\phi_r$和极角$\theta_r$。方位角细节来自相位图$\hat\varphi$;极角细节则利用有限照明下镜面强度的衰减。

原论文式(7)给出近似关系:

$$ \rho=\rho_s\cos\theta_r. \tag{7} $$

可以把屏幕理解为主要围绕人脸横向分布的光源。当反射方向向上或向下偏离这片照明带,能够接收的镜面能量下降。即使材料不变,测得的镜面响应也会减弱。

如果局部镜面反照率$\rho_s$近似不变,对上式求微分即可得到:

$$ d\rho=-\rho_s\sin\theta_r\,d\theta_r. $$

原论文式(8)将左侧记为$d\hat\rho_s$,表示测量响应中的局部高频变化:

$$ d\hat\rho_s=-\rho_s\sin\theta_r\,d\theta_r. \tag{8} $$

符号虽然换了,这里的操作含义是:在局部材质近似不变的前提下,用测得的亮度起伏推断反射极角的细小变化,而不是直接把它解释为真实材质参数的变化。

由此,系统先从基础几何和视角计算反射方向,再分别加入相位提供的方位角细节,以及强度提供的极角细节。得到更新后的反射方向$\mathbf{ r }'$,便可通过它与观察方向的半向量恢复法线。按两向量均指离表面的约定,其几何关系可写为:

$$ \mathbf{ n }'=\frac{\mathbf{ r }'+\mathbf{ v }} {\|\mathbf{ r }'+\mathbf{ v }\|}. $$

这条半向量关系是对论文文字步骤的补充解释。

细节嵌入提高了实际装置中的稳定性,但也引入局部材质近似均匀等假设。如果真实反照率在小范围内发生变化,它与几何起伏仍可能相互混淆。微分关系在$\sin\theta_r$很小时也会变得敏感,不能理解为任意位置都能稳定进行简单除法。

直接优化与细节嵌入的比较

图14|左列为直接求解,右列为细节嵌入。上半部分比较法线,下半部分比较镜面反照率。有限照明下,细节嵌入的法线更干净,镜面图中残留的照明变化也更少。来源:原论文图14。

这张消融图把方法与硬件条件接了起来:实际系统并没有盲目沿用理想球面光场下的求解方式,而是用基础几何约束低频结构,再从观测中提取更可靠的局部变化。

八、定量实验:更好地分开高光,不等于每项指标都最好

作者首先使用Digital Emily模型合成数据。基础细节由已有位移图模拟,空间变化的粗糙度通过缩放镜面反照率图构造,皮肤粗糙度多数分布在0.3—0.5之间。

这提供了已知真值,可以直接比较贴图误差,但测试材质分布来自这套合成设置,并不覆盖所有真实皮肤情况。

合成数据外观贴图比较

图6|从上到下为真值、本文球面照明结果、本文屏幕照明结果,以及Riviere等人的球面照明结果。列方向依次比较漫反射、镜面反照率、粗糙度和法线。来源:原论文图6。

主要基线是Riviere等人的2020年单次人脸采集方法。作者遵循基线的白光采集协议,自行复现其流程并调整超参数。两种方法使用相同网格,以聚焦外观贴图估计。

表中的MSE越低越好。下面保留原表的数值与倍率:

方法与照明条件漫反射反照率MSE(×10⁻³)镜面反照率MSE(×10⁻²)粗糙度MSE(×10⁻³)法线MSE(×10⁻³)
本文,球面照明1.6072.0481.2120.668
Riviere等,球面照明1.4222.831—1.324
本文,屏幕照明6.2125.7671.7442.956

数值来源:原论文表1。法线项也是MSE,不能改读为角度误差;不同列采用不同倍率。

在球面照明下,本文的镜面反照率和法线误差更低,但漫反射反照率略逊于基线。基线没有独立的空间变化粗糙度结果,所以粗糙度一栏没有可直接比较的误差值。

转到屏幕照明后,本文各项误差都有上升。粗糙度MSE从1.212上升到1.744,变化相对较小;漫反射与镜面反照率、法线则受到更明显影响。这与方法设计相符:粗糙度依赖归一化比值,绝对强度类参数更容易受到照明缺失影响。

不过,“比值较稳健”不能推导成“完全不受光照影响”。查表还需要反射角度,弱信号与噪声也会传入比值。实际屏幕结果仍低于理想球面设置。

论文还展示了与其他方法的视觉对比。

NextFace的外观估计结果

图7|NextFace在相应合成视角上的结果,展示统计人脸模型在身份与细节表达上的差异。来源:原论文图7。

神经着色场的示例结果

图8|神经着色场的示例,镜面反照率细节较弱,且没有显式的空间变化粗糙度输出。来源:原论文图8。

这些比较需要结合条件看。NextFace结果使用15张合成图像;神经着色场图像则转载自对应论文,并非本文在相同数据上重跑得到。它们有助于说明不同采集目标与表示能力,不能合并成一张严格统一协议下的性能排名。

九、真实人脸:毛孔细节最终出现在哪里?

真实人脸的材质与法线

图9|真实采集得到的漫反射、镜面反照率、粗糙度与法线。放大区域展示了皮肤局部纹理与细小方向变化。来源:原论文图9。

图中的彩色法线图并不是给皮肤涂上颜色,而是把三维方向编码为RGB。相邻像素颜色的细微变化,对应表面方向的变化;在重新打光时,这些方向变化会形成毛孔和细纹的明暗。

基础网格不一定包含这些微小凹凸。渲染器可以在网格表面读取法线贴图,用更精细的方向计算反射,让皮肤在近距离观看时不再像一块光滑塑料。

因此,这篇工作更直接支持的是“采集可用于细节渲染的外观和光度方向”,而不是具有明确长度单位、经过独立几何真值验证的毛孔深度测量。

不同人物与表情下的贴图和渲染

图10|不同人物和静态表情的结果,从左到右展示材质、法线、点光源与环境光渲染。来源:原论文图10。

这组结果说明,方法不只针对一张标准正脸示例。不同年龄、肤色与表情的面部,都能产生具有局部差异的外观贴图。但图中不同表情是静态采集结果,不是已经展示稳定时序追踪的视频序列。

由于镜面反照率与粗糙度可以分别估计,作者还展示了眼睛和牙齿区域。

眼部与牙齿的粗糙度和渲染

图11|眼部与口腔区域的粗糙度图及相应渲染,展示不同材料区域的反射差异。来源:原论文图11。

这意味着同一套采集数据有机会支持皮肤以外区域的外观估计。但示例并不等于建立了完整的眼球光学模型或牙齿散射模型,不能据此认为所有复杂材料问题都已解决。

十、重新打光:能否回到真实照片的样子?

仅看几张分解贴图,很难判断参数是否合理。作者进一步把采集结果放到新的白光条件下渲染,与装置拍到的真实照片比较。

新照明下的照片与渲染比较

图12|左列为真实照片,中列为镜面分量渲染,右列为完整渲染。来源:原论文图12。

镜面渲染中能看到与照片较接近的细小反射结构,说明法线、镜面反照率与粗糙度共同保留了相当一部分局部光照响应。

完整渲染仍有轻微肤色色调偏移。作者将其与有限范围、近场照明以及皮肤散射效应联系起来;其球面照明合成实验没有表现出同样的问题。

这个结果把成功与局限放在了一起:高光细节具有较好的重现能力,漫反射颜色则仍然受到实际装置条件影响。它支持在展示条件下的重打光质量,也提醒我们,真实世界中的全局颜色一致性还需要进一步改善。

真实皮肤细节与基线比较

图13|本文与Riviere等方法的真实数据结果,比较法线、镜面反照率与粗糙度。来源:原论文图13。

本文结果中局部纹理更清晰。不过,作者也明确指出:自己在屏幕装置上复现的基线,比基线原论文展示的几何更柔和,即使调整正则化也仍有差距,推测与近场照明建模不匹配有关。

因此,这张图既包含方法差异,也受到装置与复现条件影响。它是当前实验条件下的证据,不能脱离这些条件解读为对原方法所有场景的全面超越。

十一、它解决了什么,接下来还缺什么?

这篇论文最有启发性的地方,是把反射分解的一部分工作提前交给照明设计。

偏振先提供反射成分的区分;RGB相位复用再提供均值、振幅与相位;归一化振幅帮助区分反射强度和粗糙度;相位与多视角或基础几何一起约束细节方向。整个流程中的每一步,都在利用下一步需要的观测结构。

也正因为它是一套测量方法,硬件与物理假设决定了结果边界。

有限屏幕照明会造成欠照明和色偏,完整球面光场下的理想性质无法原封不动地搬到桌面装置上。查找表依赖选定的GGX反射模型与校准条件,细节嵌入依赖基础几何及局部材质近似。论文也没有显式建模次表面散射。

动态采集方面,它避免了多幅照明图案的时间切换,因而具有逐帧处理的潜力;但当前屏幕亮度限制了实际采集,论文没有展示动态表演序列,也没有给出端到端实时重建的证据。

对于高精度人脸重建,这项工作的价值在于说明:细节不仅需要更多像素或更复杂的表示,也需要能够区分材质与方向的观测。当反射强度、粗糙度与法线能够被更清楚地测量,数字人换一盏灯之后,才更有可能保留同一张脸应有的皮肤质感。

现在已有 17 次阅读,0 条评论,0 人点赞
Comment:共0条
发表
搜索 消息 足迹
你还不曾留言过..
你还不曾留下足迹..
博主 不再显示
博主
未知作品 歌曲封面
博主 立即安装
前往评论 切换字号