本文提出了一种基于 CNN 编码器和可微分光线追踪器的面部重建方法，使得在不同照明场景下，可以得到更高质量更真实的面部形状、外观和照明，从而实现实用的应用，如重新照明和自动去除自阴影。

Mar, 2021

本论文提出了一种基于联合学习参数人脸模型和面部形状、表情、反射和照明的回归器的方法，其结合了 3D 可塑模型（3D Morphable Model）的优点和学习校正空间的空外推广优点。

Dec, 2017

本文提出了一个用于自然环境下高保真面部模型的自我监督方法。该方法通过训练一个新的神经网络，使其直接从单个 2D 图像驱动面部模型，然后基于连续帧纹理的一致性进行自监督领域自适应，以在不需要建模新环境的情况下，克服了实验室和无控制环境之间的域不匹配问题。实验表明，我们能够在手机相机下驱动一个高保真面部模型，而不需要来自新领域的任何标记数据。

Jul, 2019

本文提出了基于多视角几何一致的自监督训练架构，目标是在面部姿态和深度估计过程中提供可靠的约束。实验结果表明，该方法在面部姿态、表情和光照等方面的变异下都表现出优越性。

Jul, 2020

本文提出了一种基于深度卷积自编码器的新颖模型，用于从野外拍摄的单幅彩色图像重建三维人脸。通过将卷积编码器与专家设计的生成模型相结合，提出了一种新的可微分参数解码器。该解码器将基于生成式模型的图像形成解析包括在内，以输入的码向量作为输入，从单个单眼输入图像中提取具有明确定义语义含义的参数。该文章的一个突破是在无监督的情况下，首次实现了 CNN 编码器和专家设计的生成模型的端到端训练，这使得对非常大的（未标记的）真实世界数据进行训练成为可能。所得到的重建结果在质量和表示的丰富性方面均优于当前最先进的方法。

Mar, 2017

本文介绍了一种使用卷积神经网络构建面部几何细节的方法，包括由粗到细的两个网络模块和多阶段的训练阶段，可以从单张图像中提取面部表面。

Nov, 2016

本研究提出一种基于神经表示的脸部反射模型，通过单张图像的估计来生成基于光照、视角和脸部几何变换的脸部反射基，可用于在任何光照条件下从任何视角渲染脸部，其能更好地捕捉诸如亚表面散射、镜面效应、自身阴影和其他高阶效应等物理基元，进而提高光照模型的仿真度。

Aug, 2020

通过在图像空间而非 UV 空间中学习反射先验，该研究提出了一个名为 ID2Reflectance 的框架，可以直接估计单幅图像的反射映射，减少对反射数据的依赖，并展示了出色的泛化能力和在野外人脸上状态最佳的面部反射重建结果。

Mar, 2024

从任意单眼视频中重建高保真 3D 头部模型的方法。设计了一个带有两个动态变形场的动态隐式神经网络，通过学习的有符号距离场在规范空间中建模头部几何形状，以提高重建精度和鲁棒性。与先进方法的大量消融研究和比较显示出我们提出的方法的有效性和鲁棒性。

Dec, 2023

利用多帧视频自我监督训练深度网络，学习面部身份模型并同时重建 3D 面部，采用新的多帧一致性损失函数使得 consistent shape 和 appearance 尽量减小深度不确定性，从而实现单目和多帧重建。

Dec, 2018