提出了 GazeNeRF，一种针对凝视重定向任务的三维感知方法，使用条件图像神经辐射场预测面部和眼部区域的体特征，通过三维旋转矩阵刚性变换眼部特征，再经过可微体积合成得到最终的凝视重定向图像。实验表明，该方法在重定向精度和身份保留方面优于基线方法和以前最先进的 2D 凝视重定向方法。

Dec, 2022

通过学习多视图图像中的人脸 NeRF 模型，我们解决了学习如何有效地捕捉眼球旋转以及构建表示眼球旋转的流形这两个关键问题。通过在 ETH-XGaze 数据集上进行实验，我们证明了我们的模型能够在新的视角下生成具有准确眼球旋转和非刚性外眼部变形的高保真图像，并且显示出利用渲染图像能够有效地提高凝视估计性能。

Aug, 2023

该研究提出了一种不需要注释的低维注视表示学习方法，在少于 100 个标注样本的情况下，实现了有竞争力的 few-shot 注视估计结果，并且可以应用于不同的实验数据集和注视网络预训练等方向。

Nov, 2019

本论文主要创新点是通过合成现有的参考样本的注视重定向眼图像来改进视线适应，并提出了一个自监督的方法进行域适应，利用视线重定向来提高特定个体视线估计的性能，通过对两个公共数据集的广泛实验证明了我们的视线重新定向和视线估计框架的有效性。

Apr, 2019

通过模型匹配的方法构建 GazeDirector 用于眼睛注视的重新定向，其通过分析与合成来追踪眼睛，实现了对 3D 准确指定目视的功能，并在 Columbia 注视数据集上的实验中得到了良好的结果。

Apr, 2017

本研究提出了一种使用生成对抗网络训练的方法，用于在保持外观一致、生成逼真图像的同时实现目标凝视方向的眼部图像重定向，并通过感知相似性和一致性来优化生成图像的准确性。经广泛评估，该方法在图像质量和重定向精度等方面优于现有先进技术，并且可以通过与现实数据相结合，在凝视估计任务中取得显著的性能提升。

Mar, 2019

本文提出了一种新颖的生成模型，能够在控制眼睛注视和头部方向角度方面达到细粒度控制，并通过在自学习中学习发现、解缠和编码这些外部变化来分离众多与外貌相关的因素，进而优化了准确性和数据下游任务，从而提高了端到端交叉数据集准确性的能力。

Oct, 2020

提出一种名为 HeadNeRF 的新人头模型，该模型利用神经辐射场来代替传统的 3D 网格，生成高保真的头部图像，并通过设计新的损失函数和将 2D 神经渲染与 NeRF 的渲染过程相结合，提高了渲染速度和准确性。

Dec, 2021

本文提出了一种改进全脸图像中注视和头部重定向的角度精度和真实性的方法，通过单目三维人脸重建的数据增强来扩展头部姿态和注视范围，以解决当前模型在处理大角度重定向时的限制。此外，我们还提出了一个能够在训练合成数据的情况下提供更好图像质量和未知对象身份保留的框架。实验证明，我们的方法在保持高图像质量的同时，显著提高了重定向角度精度，特别是在大角度重定向时。

Sep, 2023

使用神经辐射场的语义模型构建了一个逼真的人脸模型，可用于面部重定向和表情编辑。

Oct, 2022