本论文介绍了一种基于卷积神经网络和生成随机几乎逼真的面部图像的方法，可以通过单张照片快速、稳健地重建面部的三维几何结构，即使在极端表情和各种光照条件下也可以成功恢复面部形状。

Sep, 2016

本研究提出了一种新的方法，使用粗到细的优化策略，从不受限制的 2D 图像中重建 3D 人脸，包括利用基于示例的双线性人脸模型生成光滑的粗糙 3D 人脸，使用局部修正变形场对其进行精细化处理和使用形状 - 从 - 阴影方法恢复细节，实现了真实世界模型和公共可用数据集的精度和细节恢复方面的领先水平。

Feb, 2017

使用 Image-to-Image 翻译网络将输入图像及其深度图及面部对应图映射起来，可通过几何细化过程提供多种严格的人脸重建，只需在合成数据上训练即可对本地面部图像进行精确和鲁棒的重建。

Mar, 2017

该篇论文提出了一种基于深度神经网络的端到端的方法来从单张 2D 人脸图像中进行三维人脸重建，并且利用了多任务损失函数和融合卷积神经网络来提高人脸表情重建的准确性。

Apr, 2017

本论文提出了使用卷积神经网络（CNN）对具有 2D 影像和 3D 面部模型或扫描的适当数据集进行训练，以实现单个 2D 面部图像的三维面部几何重建，避免了模型建立和拟合的复杂流程，并演示了如何将面部标志定位集成到所提出的框架中，帮助提高重建质量。

Mar, 2017

本文提供一种基于学习的方法来从单个肖像图像中恢复人头的 3D 几何形状，并且使用参数化 3D 人脸模型来表示头部几何形状以及其他头部区域的深度图，同时使用双目立体匹配方法从具有野外人脸的图像中学习头发和耳朵的几何信息，最后，评估和对比结果表明该方法可以产生高保真的 3D 头部几何形态和头部姿态操作结果。

Apr, 2020

本文提出了一种使用深度学习技术进行 3D 面部重建的新方法，其中使用了混合损失函数进行弱监督学习，同时利用多个图像进行面部重建，实现了快速、准确、鲁棒的重建效果，对不同数据集进行了综合实验，并与 15 种现有方法进行了比较，证明了其性能处于领先地位。

Mar, 2019

本文提出使用卷积神经网络进行端到端直接重建人类三维几何通过体积回归，无需拟合形状模型，能够从多种输入类型训练并处理姿态变化和细节重建。

Sep, 2018

通过表情分析生成满足要求的脸部几何表达形式并结合有监督和无监督学习实现面部细节合成的单图像三维面部综合技术.

Mar, 2019

利用深度卷积神经网络提取中层特征，从高分辨率人脸数据库中拟合特征的凸组合，从而生成 photorealistic texture map，以实现从低分辨率输入图像中合成高逼真度的 3D 人脸渲染模型，并进行了广泛的验证。

Dec, 2016