本文提出了一种基于语义流引导的两阶段框架 ——FlowFace 进行面部交换，FlowFace 可以成功传递源面部轮廓和内部面部特征到目标面部，从而获得更加逼真的面部交换效果。

Dec, 2022

本文利用深度卷积网络模型演示了一种基于身份意识的面部属性转换（DIAT）模型，该模型通过使用掩模网络和属性变换网络协同工作，生成具有参考属性并保持与输入图像相同或相似身份的真实面部图像。通过对属性无关区域进行正确编辑，即使是人脸相关的属性，DIAT 也可以产生视觉上令人印象深刻的结果。

Oct, 2016

该研究提出了一种人体姿势转换的新方法，通过估计稠密和内部的 3D 外观流来更好地指导姿态之间像素的转移，并通过该方法生成了真实的目标姿态图像。

Mar, 2019

该论文提出了一种新的姿态不变的发型转换模型 HairFIT，该模型包括基于流的发型对齐和基于语义区域感知补全蒙版的发型综合两个阶段，能够有效地在具有不同姿势的图像之间实现发型转换，并取得了最先进的性能。

Jun, 2022

提出了一种学习框架来解决 3D 人脸属性转换中缺乏 3D 生成模型和无效使用 3D 人脸数据的问题，该框架使用几何映射表示 3D 形状并嵌入在端到端生成对抗网络中，同时采用统一和非成对学习框架进行多领域属性转换，还提出了一种分层架构的鉴别器以保证对全局和局部伪像的鲁棒结果。

Aug, 2023

在这篇论文中，我们提出了一种新的变形技术，将 2D 和 3D 方法的优势结合起来，以实现稳健的面部再演技术。我们生成了密集的 3D 面部流场，并通过所提出的 “循环变形损失” 将其转换回 2D RGB 空间，从而实现了对源面孔和目标面孔的 3D 几何控制。通过首先渲染面部前景区域，然后学习对由于源面孔平移而需要填充的空白区域进行修复，我们重建了细节丰富的背景，而且在渲染无伪影的面部图像方面超过了现有技术。

Apr, 2024

本文提出了一种基于 Facial Attribute Transformer（FAT）和其空间变体 Spatial FAT 的高质量化妆转移方法，利用 Transformer 模型语义对源面部和参考面部之间的对应关系和相互作用进行建模，进而准确地估计和转移面部属性，同时通过集成 Thin Plate Splines（TPS），Spatial FAT 还可以转移几何属性，而且在颜色保真度和空间变换方面表现优异，经过严格的定性和定量实验验证了所提出方法的有效性和优越性。

Apr, 2021

本研究提出了一种基于深度学习的生成模型，结合 4000 高分辨率人脸扫描数据集，能够产生多种面部几何、材料属性的人脸模型，并可用于物理渲染，旨在增加面部身份的多样性，提高唯一组件之间的韧性，包括中频几何、反照率图、高频位移细节等，可用于新颖的身份生成、模型拟合、插值、动画、高保真数据可视化和低到高分辨率数据域转换，并有望鼓励所有图形、视觉和数据专业人士之间进一步的合作，展示每个人完整生物特征资料的累积价值。

Apr, 2020

本文提出了一个基于两级分层变形的自适应人体姿态转移网络，使用门控卷积动态选择图像的重要特征并逐层自适应变形，通过更少的参数快速收敛并在服装纹理转移等任务中获得更好的性能。

Dec, 2020

本研究提出一种几何对比生成对抗网络 (GC-GAN)，其通过将连续的情感跨越不同个体，将具有特定情感的原始面孔转化为带有目标面部表情的面部表情迁移技术。

Feb, 2018