本文提出了一个大规模的详细 3D 人脸数据集（FaceScape）及相应的评估标准来评估单视图面部三维重建，通过该数据集，提出了一种从单张图像输入预测精细可调和三维人脸模型的新算法，并且使用该数据集来生成用于评估单视图面部重建方法的基准数据，并报告和分析了在不同条件下的准确性和挑战。

Nov, 2021

介绍了基于几何和光学模型的经典 3D 稠密重建方法，以及基于深度学习的方法。并介绍了深度学习的数据集以及在这些数据集上表现的优缺点。

Apr, 2023

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

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

使用 2D 图像辅助自监督学习的方法可大幅提高 3D 人脸模型的学习效果，该方法引入 4 种自监督方案，显著降低了对传统 2D 到 3D 配对注释的需求，从而在多种数据集上均取得大幅优于现有技术的 3D 重建和面部对齐结果。

Mar, 2019

提出使用大量的 3D 面部扫描数据和深度学习模型的方法来解决开放世界人脸识别问题，并取得了比现有技术超过 10％的精度提升。

Nov, 2017

本文综述了过去十年中提出的三维人脸重建方法，重点关注了那些只使用在不受控制条件下捕获的二维图片的方法。分类基于用于添加先验知识的技术，考虑了统计模型拟合、光度计和深度学习这三种主要策略，并分别审查了每种策略。我们发现，深度学习策略正在迅速增长，取代了广泛的统计模型拟合策略。相比之下，光度学方法的数量较少，因为需要强烈的基本假设来限制质量。此外，本文还确定了当前的挑战，并提出了未来研究的方向。

Nov, 2020

本文提出了一种新的评估方法，通过基于面部关键点和区域掩码的区域对齐，实现更准确的双向对应关系，以更好地评估现有的单图像 3D 面部重建方法，并从不同面部区域的表现来比较它们的性能。同时，本文还建立了一个新的基准 - REALY，其中包含 100 个全局对齐的面部扫描，以及高质量的区域掩码和一致性网格，以及一个高质量的 3DMM 基础 - HIFI3D ++，以更好地对几个 3D 面部数据集进行对齐和重构拓扑。

Mar, 2022

通过未标定的 2D 图像在无监督的方式下重建 3D 面部，并针对稠密地标进行预测，该方法在模型大小和计算成本上优于现有方法，并在各种头部姿势和面部变化中展现了高效性。

Aug, 2023