本文介绍了一个大规模的详细的 3D 人脸数据集 FaceScape，并提出了一种新算法，可以从单个图像输入预测精细的可控 3D 面部模型。该数据集提供了来自 938 个受试者的 18,760 个纹理 3D 面部，每个面部有 20 个具体表情。这些细致的面部模型可以表示为 3D 可变模型和位移图，利用大规模和高精度数据集，进一步提出了一种学习特定表情动态细节的新型算法。与之前的方法不同，我们预测的 3D 模型在不同表情下可以高度自由控制，数据集和代码将公开发布供研究使用。

Mar, 2020

从高度定制的文本描述和姿势指导中创建富有表达力、多样化和高质量的 3D 头像是一项具有挑战性的任务。我们提出了 AvatarVerse，一个稳定的流水线，可以仅仅通过文本描述和姿势指导生成富有表达力和高质量的 3D 头像。

Aug, 2023

本文提出了一个大规模的详细 3D 人脸数据集（FaceScape）及相应的评估标准来评估单视图面部三维重建，通过该数据集，提出了一种从单张图像输入预测精细可调和三维人脸模型的新算法，并且使用该数据集来生成用于评估单视图面部重建方法的基准数据，并报告和分析了在不同条件下的准确性和挑战。

Nov, 2021

基于用户特定概念和提示创建自定义图像的个性化文本到图像生成技术已崭露头角，但现有方法在个性化方面面临多个挑战。为了解决这些障碍，我们提出了一种创新的方法 - PhotoVerse，在文本和图像领域中融入双分支条件机制，以提供对图像生成过程的有效控制，并引入了面部身份损失作为训练期间增强身份保存的新组件。这一方法消除了测试时间调整的需要，仅依赖于目标身份的单张面部照片，大大减少了与图像生成相关的资源成本。经过单一训练阶段后，我们的方法能够在几秒钟内生成高质量的图像，产生包含各种场景和风格的多样化图像。广泛的评估表明我们的方法具有卓越性能，实现了保存身份和增强可编辑性的双重目标。

Sep, 2023

使用传统计算机图形技术新方法，通过稀疏极端姿势混合并本地再现其表面细节，为不公开接触数据的研究团体提供一个可泛化应用的生成人脸可视化的方法。

May, 2023

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

提出了一种新颖的自监督框架，名为 Versatile Face Animator，它将面部动作捕捉与动作重新定位结合起来，从而实现了在任意 3D 角色上进行面部动画的理想效果，并具备潜在的成本效益和高效率的潜力。

Aug, 2023

该研究介绍了一个多视角，高分辨率的人脸数据集，通过进行替代卷积编码器及对条件对抗网络（VAE）进行验证，对研究区域的深度插值进行了实验讨论。

Jul, 2022

提出了一种称作 FNeVR 的神经体渲染网络，结合了 2D 运动变形与 3D 体渲染技术实现面部动画生成中的身份保留与真实逼近问题。

Sep, 2022

通过表情分析生成满足要求的脸部几何表达形式并结合有监督和无监督学习实现面部细节合成的单图像三维面部综合技术.

Mar, 2019