本文提出一种简单的方法，可以同时重建三维人脸结构并提供密集对齐。该方法使用称为 UV 位置映射的二维表示来记录完整面部的三维形状，并使用简单卷积神经网络从单个二维图像中回归它。该方法不依赖于任何先前的人脸模型，并且可以重建全面部几何信息。与之前的作品相比，网络非常轻便，并且只需 9.8 毫秒即可处理图像。多次挑战数据集的实验表明，该方法在重建和对齐任务上均优于其他最先进的方法。

Mar, 2018

本文提出了一种基于 end-to-end learning 的学习框架，可用于从单个图像中详细地三维重建人脸，不需要传统方法计算的替代地面真值 3D 模型的监督，而是利用输入图像本身作为监督。

Oct, 2019

本文提出了一种利用图卷积网络从单视角图像中重建具有高保真度贴图的三维人脸形状的方法，并相对于其他的现有方法具有更好的定量和定性效果。

Mar, 2020

本文利用深度学习模型和生成对抗网络技术，在 UV 空间下重建面部纹理，并通过优化参数和预先训练的深度身份特征进行监督来实现高保真和身份保留的 3D 面部重建，同时在高频细节方面实现了面部纹理重建的最高成果

Feb, 2019

IFaceUV 提出了一种全可微的技术流程，该流程涵盖了 2D 和 3D 信息的所有关键方面，从而为面部再现任务提供了一个效果显着的解决方案。

Jun, 2023

通过引入仿射卷积网络，本文提出了一种新的网络架构来解决三维人脸重建中输入图像和输出图像之间的空间不对应的问题，并生成 512×512 像素的高质量 UV 贴图。

Oct, 2023

我们提出了一种名为 Dense Inpainting Human Mesh Recovery (DIMR) 的两阶段方法，利用密集的对应关系图处理遮挡问题，采用基于注意力机制的特征完成模块，通过特征修补训练过程指导网络从非遮挡特征中学习，实验证明我们的方法在重度遮挡场景下表现优异，并在标准基准（3DPW）上取得可比较的结果。

Jul, 2023

本文提出了一种无监督的方法，用于一次性 3D 面部纹理完成，这不需要大规模的纹理数据集，而是利用 2D 生成器中存储的知识。实验结果表明，完成的纹理和正视图像具有高质量，类似于原始身份，可以用于训练 3DMM 拟合的纹理 GAN 模型和提高姿态不变的面部识别。

Dec, 2020

我们的研究着眼于三维图形管线中的 UV 纹理空间，通过使用 FFHQ-UV 数据集，提出了一种名为 SemUV 的简单而有效的方法进行语义操作，以便为图形设计师提供增强的控制和精确的外观操作能力。我们的方法通过与二维操作技术进行实验比较，展示了在保留身份的同时有效修改年龄、性别和面部毛发等语义特征的卓越能力。该方法简单，与结构、光照和渲染等其他三维组件无关，并能够无缝集成到标准的三维图形管线中，而不需要广泛的领域专业知识、时间或资源。

Jun, 2024

我们介绍了一种新的方法，UVMap-ID，这是一种可控和个性化的 UV Map 生成模型，用于为给定的人脸图像生成个性化的纹理贴图，并定义和评估这些生成纹理贴图的质量。

Apr, 2024