本文提出了一种名为神经剪发的方法，可以从单眼视频或多视角图像中恢复出具有高逼真度和个性化的发型，该方法有两个阶段并通过不同 iable renderer，通过隐式体积表示对粗糙的头发和胸围形状及发型方向，以及头发的先验进行精确的几何重建，从而解决了现有方案面临的挑战。

Jun, 2023

使用深度学习方法生成三维头发几何结构，性能实时，能恢复局部细节，并引入碰撞损失以合成更合理的发型。

Jun, 2018

提出一种使用神经网络的头发渲染流程，通过共享潜在空间编码两个领域的外观不变结构信息生成逼真的渲染图像，并使用简单而有效的时间条件方法，可以在未经监督的情况下工作于任意头发模型，并在大量肖像上测试，得出其优于替代方案和最先进的无监督图像翻译方法的结论。

Apr, 2020

通过提出 MonoHair 框架，我们能实现高度逼真的 3D 头发重建，同时解决了严格捕捉条件或依赖先验数据带来的问题。我们的方法将模型分为外部和内部重建两个阶段，并利用 Patch-based Multi-View Optimization（PMVO）和多视图 3D 头发重建等技术来提高重建效果。实验证明了我们方法在不同发型上的鲁棒性和卓越性能。

Mar, 2024

本文提出了一种名为 Neural Strands 的新型学习框架，它可以从多视角图像输入中准确地建模头发的几何形状和外观，并提出了基于神经头皮纹理的新型头发表示和基于光栅化的新型神经渲染框架，可以同时实现外观和外显头发几何学的联合学习。

Jul, 2022

本研究介绍了一种利用概率形状先验的坐标神经表示方法，结合隐式可微渲染，通过两阶段优化过程，成功实现了多视角三维重建中几乎与 3D 可塑性模型方法、视角较多时的非参数方法相当的高保真度的少视角全三维头部重建。

Jul, 2021

采用神经网络处理的图像合成方法，通过人工繁琐的建模，渲染和复合形成目标发型的三维几何形状来合成真实的面部毛发变化，使用户能够通过简单的引导笔画来进一步指导和修整所生成的图像。此方法不仅可以控制结构和颜色特征，而且发夹名单可以灵活地扩展和生成高保真头皮发。

Apr, 2020

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

Sketchhair 是一项基于深度学习技术的 3D 头发交互建模工具，它使用两个精心设计的神经网络（S2ONet 和 O2VNet）将用户手绘的草图转换为 3D 头发模型，还支持使用附加草图进行头发编辑。

Aug, 2019

我们提出了一种新的混合隐式表面表示方法来建模人体形状，该表示方法由两个表面层组成，用于表示穿着衣物的人体的不同区域，我们使用视觉线索自动分割不同区域，并学习重建两个有符号距离函数，我们在不透明区域上执行基于表面的渲染以保留高保真度的表面法线，并在半透明区域上执行体积渲染（例如头发），实验证明我们的方法在 3D 人体重建上取得了最先进的成果，并在其他物体上展示了有竞争力的表现。

Dec, 2023