本文提出了一种名为神经剪发的方法，可以从单眼视频或多视角图像中恢复出具有高逼真度和个性化的发型，该方法有两个阶段并通过不同 iable renderer，通过隐式体积表示对粗糙的头发和胸围形状及发型方向，以及头发的先验进行精确的几何重建，从而解决了现有方案面临的挑战。

Jun, 2023

本文提出了一种名为 Neural Strands 的新型学习框架，它可以从多视角图像输入中准确地建模头发的几何形状和外观，并提出了基于神经头皮纹理的新型头发表示和基于光栅化的新型神经渲染框架，可以同时实现外观和外显头发几何学的联合学习。

Jul, 2022

本文介绍了一种使用神经网络从单一图像中建立高保真度的 3D 头发模型的方法，通过使用两种不同的神经网络，IRHairNet 和 GrowingNet，来实现头发几何特征的推测和 3D 头发丝的生成，从而取得了最先进的性能表现。

May, 2022

提出一种使用神经网络的头发渲染流程，通过共享潜在空间编码两个领域的外观不变结构信息生成逼真的渲染图像，并使用简单而有效的时间条件方法，可以在未经监督的情况下工作于任意头发模型，并在大量肖像上测试，得出其优于替代方案和最先进的无监督图像翻译方法的结论。

Apr, 2020

通过优化方法无需预先训练即可实现准确重建真实世界数据中头发的多个关键方面，包括与修复方式和逆渲染相关的技术。

Mar, 2024

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

我们提出了 HAAR，一种基于链式的 3D 人类发型生成模型，通过文本输入生成可用于现代计算机图形引擎中的 3D 发型，并通过定性和定量研究，演示了该模型的能力并与现有发型生成方法进行了比较。

Dec, 2023

本研究介绍了一种利用概率形状先验的坐标神经表示方法，结合隐式可微渲染，通过两阶段优化过程，成功实现了多视角三维重建中几乎与 3D 可塑性模型方法、视角较多时的非参数方法相当的高保真度的少视角全三维头部重建。

Jul, 2021

采用神经网络处理的图像合成方法，通过人工繁琐的建模，渲染和复合形成目标发型的三维几何形状来合成真实的面部毛发变化，使用户能够通过简单的引导笔画来进一步指导和修整所生成的图像。此方法不仅可以控制结构和颜色特征，而且发夹名单可以灵活地扩展和生成高保真头皮发。

Apr, 2020

Sketchhair 是一项基于深度学习技术的 3D 头发交互建模工具，它使用两个精心设计的神经网络（S2ONet 和 O2VNet）将用户手绘的草图转换为 3D 头发模型，还支持使用附加草图进行头发编辑。

Aug, 2019