本文提出了两种方法，一种是使用回归器来完成一个模型缺失部分的替换，另一种是使用高斯过程框架来融合多个模型的协方差矩阵，使用这些方法成功地构建了一个新的面部和头部形状模型，并通过与 FaceWarehouse blendshapes 结合使用该模型进行了图像重建实验，达到了最先进性能，并且在头部建模方面表现出了较大的优势。

Mar, 2019

本文提出了首个深度隐式三维可微形变模型（i3DMM），该模型不仅捕捉了前部人脸的特定身份几何、纹理和表情，还模拟了包括头发在内的整个头部。使用一种新的设计，将形状与颜色分离来学习密集的对应关系，最终展示了 i3DMM 的优点及其应用。

Nov, 2020

通过组合强大的面部形状统计模型和 “野外” 纹理模型，我们提出了第一个 “野外” 3DMM，大大简化了拟合过程，无需将其优化针对照明参数。

Jan, 2017

本文提出了一种从大量非约束人脸图像中学习非线性 3D Morphable Model 的创新框架，该模型拥有比线性模型更强大的表示能力，并对人脸对齐和 3D 重建做出了贡献。

Apr, 2018

本文提出了一种新的框架以学习从大量野外人脸图像中学习非线性 3DMM 模型，该模型可以用于面部对齐，3D 重建和面部编辑。

Aug, 2018

我们提出了使用卷积神经网络进行三维面部模型重建的方法，通过大量标记数据的生成，优化了模型的准确性和稳定性，得到了超过现有方法的识别结果，实现了使用三维面部模型进行面部识别。

Dec, 2016

本文研究了从 3D 可塑模型（3DMM）和 3D 面部标记的协同学习过程，以预测完整的 3D 面部几何，包括 3D 对齐，面部方向和 3D 面部建模。我们的协同过程利用了 3DMM 参数和 3D 标记的表示循环。3D 标记可以从 3DMM 参数构建的面部网格中提取和精炼。接下来，我们逆转表示方向，并显示从稀疏的 3D 标记预测 3DMM 参数可以改善信息流量。总的来说，我们创建了一个利用 3D 标记和 3DMM 参数之间关系的协同过程，它们共同促成了更好的性能。我们在面部几何预测的全部任务上进行了广泛的验证，并展示了在这些任务的各种场景下我们卓越和稳健的性能。特别地，我们仅采用简单和广泛使用的网络操作来实现快速和准确的面部几何预测。

Oct, 2021

本文提出了一种新方法，使用参数化控制头部方向和面部表情，从而在预训练的神经网络对话头模型上提供直观的刚体控制，允许参数和基于图像的输入。

May, 2023

提出了一种名为 IMavatar 的新方法，可以从单目视频中生成隐式头像。通过学习混合形状和蒙皮场来表示表情和姿势相关的变形，使得这些属性可以用于完成新表情和姿态下的几何和纹理场的变形，并通过光线行进和迭代根查找，为每个像素定位规范表面交点，从而实现了头像的生成，并通过端到端的训练，得出了比现有技术更完整的表情空间和几何形状。

Dec, 2021

通过神经表征，当前人类头部建模的进展允许生成逼真的 3D 头部模型。然而，构建完整的高保真度头部模型，并在明确控制动画的同时保留细节仍然是一个问题。我们引入了一种生成模型，用于在可显式动画和高细节保存之间创建详细的 3D 头部网格。

Dec, 2023