我们的研究着眼于三维图形管线中的 UV 纹理空间，通过使用 FFHQ-UV 数据集，提出了一种名为 SemUV 的简单而有效的方法进行语义操作，以便为图形设计师提供增强的控制和精确的外观操作能力。我们的方法通过与二维操作技术进行实验比较，展示了在保留身份的同时有效修改年龄、性别和面部毛发等语义特征的卓越能力。该方法简单，与结构、光照和渲染等其他三维组件无关，并能够无缝集成到标准的三维图形管线中，而不需要广泛的领域专业知识、时间或资源。

Jun, 2024

通过联合学习网格畸变和二维 UV 空间高斯纹理，我们提出了 UV 高斯模型，用于重建逼真的可行驶人体化身，并通过独立的网格网络来优化姿势相关的几何畸变，从而指导高斯渲染并显著提高渲染质量。

Mar, 2024

本文提出了一种基于 end-to-end learning 的学习框架，可用于从单个图像中详细地三维重建人脸，不需要传统方法计算的替代地面真值 3D 模型的监督，而是利用输入图像本身作为监督。

Oct, 2019

我们介绍了一种新的方法，UVMap-ID，这是一种可控和个性化的 UV Map 生成模型，用于为给定的人脸图像生成个性化的纹理贴图，并定义和评估这些生成纹理贴图的质量。

Apr, 2024

该论文提出了一种使用深度卷积神经网络训练面部 UV 图完成模型的框架，从而实现更好的面孔识别表现。该方法通过附加完成的 UV 图到安装的网格并生成任意姿态的实例，增加了姿态变化以训练深度面部识别 / 验证模型，并在测试期间最小化姿态差异，证明了对于有完整 UV map 数据集的人脸库，其具有极高的人脸识别准确率。

Dec, 2017

提出一种将服装图像的纹理自动转移到穿着在人体模型上的 3D 服装的方法，并在不需要纹理信息的情况下实现，速度比传统方法更快，从而实现了更准确的模型，这为虚拟试穿等应用提供了新的途径。

Mar, 2020

本文提出了一种无监督的方法，用于一次性 3D 面部纹理完成，这不需要大规模的纹理数据集，而是利用 2D 生成器中存储的知识。实验结果表明，完成的纹理和正视图像具有高质量，类似于原始身份，可以用于训练 3DMM 拟合的纹理 GAN 模型和提高姿态不变的面部识别。

Dec, 2020

本文提出了一种生成高保真度纹理地图的新方法，使用一种称为 ReAVAE 的网络来学习每个语义区域的样式概率分布，控制生成纹理的样式，可以用于虚拟试穿 AR/VR 应用。

Mar, 2021

通过文本引导的三维人脸合成，从生成到编辑的统一框架，通过解耦生成几何和纹理来提高几何细节的生成效果，并利用生成几何作为纹理生成的条件，进一步提升几何与纹理的一致性结果；通过预训练扩散模型来更新面部几何或纹理以实现顺序编辑，并引入 UV 域一致性保持正则化以防止对不相关面部属性的无意更改，并提出自导向一致性权重策略以提高编辑效果与保持一致性；通过全面实验展示了该方法在人脸合成方面的优越性。

Dec, 2023

本文研究在给定 3D 模型的情况下生成高保真纹理的问题，提出了一种基于可学习的 UV 球空间的纹理生成模型 TUVF，并将 UV 球空间与辐射场相结合，实现了在纹理控制和编辑方面的实质性改进。

May, 2023