PV3D 提出了第一种生成性框架，它可以合成多视角一致的肖像视频，通过添加多个运动层构建运动生成器来引入运动动态，并提出了简单而有效的摄像机条件策略，能够支持许多下游应用，如动画静态肖像和视角一致的视频运动编辑。

Dec, 2022

介绍了近年来深度学习实现的视觉内容创作方法的显著进展，包括 3D 感知生成图像合成，旨在提供一个关于 3D 感知图像合成的综述，为相关领域的研究工作提供有用的参考，并通过我们的讨论部分激发未来的研究方向。

Oct, 2022

使用单视角 2D 照片集合进行高质量多视角一致的图片和 3D 形状的非监督生成一直是一个难题，本文提出了一种混合显式 - 隐式网络架构，用于提高 3D GANs 的计算效率和图像质量，实现了高分辨率实时多视角一致的图像合成，同时产生高质量的 3D 几何体。

Dec, 2021

提出了一种基于多视角一致性生成对抗网络（MVCGAN）的高质量 3D 感知图像综合方法，采用几何约束技术，利用深度和相机变换矩阵等信息实现多视角联合优化，同时采用两阶段训练策略和混合训练技术提高模型的生成图像质量，实验结果表明，本方法达到了最先进的性能水平。

Apr, 2022

通过提出 VIVE3D 方法，我们引入了一种新的方法，扩展了基于图像的三维生成对抗网络的能力，使其能够在保持身份不变和保持时间一致的同时呈现输入视频。我们提出了两个新的构建块。 第一个是针对三维生成对抗网络专门定制的新颖 GAN 反演技术，通过联合嵌入多个帧并优化相机参数来实现。其次，除了传统的语义面部编辑（例如年龄和表情），我们首次展示了借助 3D GANs 的固有属性和我们的光流引导合成技术显示头部的新视图的编辑，并将其与背景视频结合。我们的实验表明，VIVE3D 以一致的质量从一系列摄像机视角生成高保真度的面部编辑，并以时间和空间一致的方式与原始视频合成。

Mar, 2023

本研究提出一种可动画的 3D 感知生成对抗网络用于多视角一致的人脸动画生成，通过将 3D 感知生成对抗网络的 3D 表示分解为模板场和形变场，并提出 3D 级模仿学习方案，帮助我们实现高质量的动画面部图像生成并具有较强的可视化 3D 一致性。

Oct, 2022

该研究探索了使用生成对抗网络在三维空间中进行图像合成的可能性，并提出了一种无监督的方法，可从原始图像中解开简单场景的隐含三维因素。与纯二维基线相比，该方法允许合成与视角或物体姿势变化一致的场景，可用于实现 3D 可控图像合成，生成具有可解释性的表示形式。

Dec, 2019

本文提出了一种基于深度学习的方法，使用自监督几何学习从人脸视频中自动恢复精细的三维几何结构，并应用于生成高度逼真的人脸视频。

Mar, 2022

本文概述了 3D 生成方法和 3D 感知图像合成的算法和表示方法的发展，并探讨了面临的困难和挑战。

Oct, 2022

本文提出了一种深度生成模型，它是基于 3D 且与摄像机相关的，通过将场景分成背景和前景模型，并学习摄像机与图像生成器，达到了更高效且可分离的场景再现效果。

Mar, 2021