提出了一种新的深度学习框架，可以恢复面部图像的规范视图，减少人内部差异，同时保持人际可辨性。然后使用基于面部组件的卷积神经网络从恢复的面部图像中学习面部特征，在LFW数据集上实现了最先进的性能，可应用于面部验证。

Apr, 2014

本文提出了一种新颖的深度卷积网络，通过对面部部位响应的空间结构和排列进行评分机制，从新的角度寻找面部，并考虑到挑战性情况下的面部检测，如严重遮挡和不受约束的姿势变化，以实现在FDDB，PASCAL Face和AFW数据集上出色的表现。

Sep, 2015

本论文介绍了一种基于卷积神经网络和生成随机几乎逼真的面部图像的方法，可以通过单张照片快速、稳健地重建面部的三维几何结构，即使在极端表情和各种光照条件下也可以成功恢复面部形状。

Sep, 2016

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

本论文提出了使用卷积神经网络（CNN）对具有2D影像和3D面部模型或扫描的适当数据集进行训练，以实现单个2D面部图像的三维面部几何重建，避免了模型建立和拟合的复杂流程，并演示了如何将面部标志定位集成到所提出的框架中，帮助提高重建质量。

Mar, 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

本文提出一种简单的方法，可以同时重建三维人脸结构并提供密集对齐。该方法使用称为UV位置映射的二维表示来记录完整面部的三维形状，并使用简单卷积神经网络从单个二维图像中回归它。该方法不依赖于任何先前的人脸模型，并且可以重建全面部几何信息。与之前的作品相比，网络非常轻便，并且只需9.8毫秒即可处理图像。多次挑战数据集的实验表明，该方法在重建和对齐任务上均优于其他最先进的方法。

Mar, 2018

本文提出了一种基于深度学习的方法，通过2D正交视图来实现3D人体形态的重建，使用二进制掩膜图像即可快速创建数字化人物，并可应用于3D游戏、虚拟现实、在线时装购物等领域。

Jun, 2018

通过使用ConvLSTM-FCN模型，在视频序列中进行人脸部分的面具分离，利用分割损失函数进行优化，使分割模型在300VW数据集上的性能指标平均交并比达到了63.76%。

Jul, 2018

本文利用深度学习模型和生成对抗网络技术，在UV空间下重建面部纹理，并通过优化参数和预先训练的深度身份特征进行监督来实现高保真和身份保留的3D面部重建，同时在高频细节方面实现了面部纹理重建的最高成果

Feb, 2019