本文提出了一种只需要输入一个源标识符和目标表情，便可生成一定质量的表情图片的一次性脸部再现模型，FaR-GAN，适用于图片处理和电影制作。将此方法应用于 VoxCeleb1 数据集并与其他方法进行比较取得更好的效果。

May, 2020

提出了一种名为 ReenactGAN 的基于学习的框架，可从单眼视频输入转移人脸运动和表情到目标人物。此方法将源脸映射到边界潜空间，使用变形器进行调整，最终生成重现的目标面孔，这一过程可以在实时（30 FPS 的 GTX 1080 GPU 上）中执行。

Jul, 2018

该论文提出一种基于 Action Units 注释的新颖 GAN 条件方案，允许控制每个 AU 的激活幅度并结合其中几个。此外，它还提出了一种完全无监督的训练策略，并利用注意力机制使网络对不断变化的背景和光照条件具有鲁棒性，能够比竞争性条件生成器更广泛地合成生理可行的肌肉运动的表情。

Jul, 2018

本文提出了一种基于 GAN 的脸部交换和演绎方法，其中采用了 RNN 和 Delaunay Triangulation 来进行脸部再现，并使用 Poisson blending loss 来实现融合。与现有技术相比，本方法在定性和定量方面均有更好的表现。

Aug, 2019

本文提出了一种能够控制人脸图像姿态和表情的通用人脸动画生成器，使用人类可解释的控制信号来驱动动画，并结合了多种源信息进行后期编辑，使用自我监督学习方法，得到了比多数对比方法更优质、更易操作的面部重现网络。

Apr, 2019

本文提出了一种新型的自我监督混合模型（DAE-GAN），它结合了两个形变自编码器及条件生成的最新进展，用于学习如何在大量未标记视频的情况下自然地再现人脸，并且在 VoxCeleb1 和 RaFD 数据集上得到了优秀的实验结果，表明了重新表演图像的优异品质和在不同身份之间转移面部动作的灵活性。

Mar, 2020

本研究提出了一种基于深度学习的面部交换生成对抗网络（FSGAN），用于面部交换和活体重放，包括一种新颖的迭代深度学习方法，可用于面部活体重放，采用重建三角形和重心坐标的方法连续插值，使用面部补全网络处理被遮挡的面部区域，最终采用一种新型泊松混合损失融合两张面孔并保持目标肤色和照明条件。

Feb, 2022

本文提出了一种新颖的生成对抗网络，用于单次面部再现，能够在保持面部原始外观的同时对单个面部图像进行不同的姿势和表情动画效果。作者们设计了外观自适应归一化机制和本地网络结构，用于集成外观信息和优化脸部生成器，实现更加精准的面部再现表达。实验结果表明，该模型在单次方法中取得了显著的效果提升。

Feb, 2021

本文提出了一种面部动作单元（AU）级别的面部表情合成方法，使用基于 AU 注释的本地注意条件生成对抗网络（LAC-GAN）控制 AU 状态，并使用非配对训练数据训练操纵模块， 在常用的 BP4D 数据集上进行定量和定性评估以验证该方法的有效性。

Oct, 2019

本文提出利用个性化生成器进行面部复原的新方法，通过采用个性化的生成器，我们可以拍摄一个短且多样化的自我扫描视频以训练我们的生成器，并结合精心设计的潜在优化来确保图像保持身份，并展示我们的方法在面部复原方面具有最先进的性能，同时可以进行语义编辑和风格化处理。

Jul, 2023