SfSNet 是一个人脸图像分解的端到端学习框架，通过混合合成标签和未标记真实世界图像进行学习，可以预测照明，从而实现形状、反射率和光照的精确分解。

Dec, 2017

InverseFaceNet 是一种基于深度卷积反渲染框架的新方法，可以实时地从单个输入图像中同时估计人脸的姿态、形状、表情、反射和照明，通过利用深度神经网络训练，结合实时的外观编辑和重新照明等高级处理技术，实现了高质量、高度还原的人脸重建。

Mar, 2017

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

本文提出了一种基于面部属性监督的深度卷积神经网络 (CNN) 进行人脸检测的方法，通过观察 CNN 在对未裁剪的面部图像进行属性分类训练时产生局部探测器的现象，并利用具有局部结构和排列的人脸部分响应的评分机制来寻找人脸，使得该网络能够在面部部分可见的严重遮挡和非约束姿态变化下检测出人脸，实现了在 FDDB、PASCAL Faces、AFW 和 WIDER FACE 等流行基准测试中有着很有希望的性能表现。

Jan, 2017

本文介绍了一种以 Gaussian 分布为目标分布的生物测量学神经网络 BioMetricNet，通过学习最佳特征表示和判定度量，改善了现有基于人脸识别的模型，在公共数据集上表现出更高的性能。

Aug, 2020

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

本文提出了一种基于深度神经网络的轻量级外观捕捉方法，通过多个创新方法如大规模数据集采集、网络设计等，可从单张图片中恢复像素级法线、漫反射、高光反射和高光粗糙度，并对单张空间不均匀 BRDFs 的捕捉进行了优化。

Oct, 2018

本文提出了一种利用单张图片中的人脸来估计场景光照的方法，通过深度神经网络提取高光并追溯回环境中，得到非参数化的环境图，该方法表现出了最新技术水平，适用于各种室内外场景。

Mar, 2018

本研究提出了一种用于光度立体图像的卷积神经网络结构，通过物理学建模的无监督学习框架，可以进行表面法线和反射率预测，并且在实际场景中达到了最先进的性能表现。

Feb, 2018

本文针对深度人脸识别在肤色判别方面的争议，提出了基于肤色匹配训练数据和学习自适应边距的元学习算法以缓解算法偏差，并提供了 Identity Shades (IDS) 数据库、BUPT-Globalface 以及 BUPT-Balancedface 数据集。实验结果表明，该算法有效缓解了肤色偏差并实现了更加平衡的人脸识别性能。

May, 2022