使用 2D 图像辅助自监督学习的方法可大幅提高 3D 人脸模型的学习效果，该方法引入 4 种自监督方案，显著降低了对传统 2D 到 3D 配对注释的需求，从而在多种数据集上均取得大幅优于现有技术的 3D 重建和面部对齐结果。

Mar, 2019

本文提出了一种无监督学习方法，通过推断面部关键点的深度来预测面部的三维结构和姿态变换，从而实现将面部从一个姿态、几何形状转换成另一个姿态、几何形状等多种功能；同时，探索了对该方法的不足之处，提出使用对抗图像翻译技术作为后处理步骤以重新合成不同姿态或身份的面部的完整头像。

Mar, 2018

提出了一种新的神经网络训练框架，可以在只有 2D 注释的情况下学习非刚性物体的 3D 信息，该框架通过自动确定适当的旋转解决了非刚性结构运动估计中同时估计旋转和变形的难点，使用损失函数进行训练后，网络可以学习人类骨架和面孔等对象的 3D 结构，在测试过程中可以处理带有丢失入口的输入，实验证明该框架表现优异，即使底层网络结构非常简单，在 Human 3.6M、300-VW 和 SURREAL 数据集上均优于现有最先进的方法。

Jul, 2020

该论文介绍了一种新的方法 —— 联合多维标度，它可以将来自两个不同领域的数据集映射到一个低维欧几里得空间中，同时只需要每个数据集内部的成对不相似性作为输入，并展示了其在联合可视化、异质领域自适应、图形匹配和蛋白质结构对齐等多个应用中的有效性。

Jul, 2022

提出了一种深度学习技术结合三维可塑模型（3DMM）进行三维人脸重建的方法，通过结合结构运动（SFM）和多视图立体（MVS）技术，构建了一个端到端的流水线，用于稳定准确地求解姿态和形状，并在量化和质量结果方面显示出明显的改进。

Aug, 2023

提出了一种新的联合人脸对齐和三维人脸重建方法，该方法可以自动生成姿态和表情归一化的三维人脸，并能恢复可见和不可见的二维人脸关键点，从而可以改善跨姿态和表情的人脸识别准确性。实验结果表明，该方法在人脸对齐和三维人脸重建方面均达到了最先进的精度。

Aug, 2017

本文研究了非常深层神经网络在现有的 2D 和 3D 人脸对齐数据集中实现饱和性能的距离。通过构建一个强大的基线，创建引导 2D 标记的网络并创建最大的和最具挑战性的 3D 人脸标记数据集 LS3D-W，训练和评估神经网络，并探究大小等因素的影响，该研究证明 2D 和 3D 人脸对齐网络均实现了接近饱和性能的显著高精度水平。

Mar, 2017

本文提出了一种基于深度神经网络的非刚性运动结构恢复方法，该方法在订单级别上表现出比所有现有技术更出色的精度和鲁棒性，能够处理规模和形状复杂度前所未有的问题，并提出了一种基于网络权重的质量度量来评估重建可信度。

Jul, 2019

本文提出一种同时重建世界空间中的 3D 面网格和预测图像平面上的 2D 面标记的方法，以解决透视 3D 面重建问题，该方法基于预测的 3D 顶点和 2D 标记，可轻松用 PnP 求解器估计出 6 自由度面姿态，并在 ECCV 2022 WCPA 竞赛中获得第一名，并且在不同的身份、表情和姿势下具有视觉稳健性。

Aug, 2022

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