提出了一种名为 IMavatar 的新方法，可以从单目视频中生成隐式头像。通过学习混合形状和蒙皮场来表示表情和姿势相关的变形，使得这些属性可以用于完成新表情和姿态下的几何和纹理场的变形，并通过光线行进和迭代根查找，为每个像素定位规范表面交点，从而实现了头像的生成，并通过端到端的训练，得出了比现有技术更完整的表情空间和几何形状。

Dec, 2021

本文提出了一种新的 3D 可塑人脸模型 ImFace，能够学习一种非线性和连续空间，用于捕捉具有特定身份和表情的复杂形状。除了 ImFace，还提出了有效的预处理管道，以解决隐式表示中 watertight 输入要求的问题，这使得它们可以与常见的人脸表面一起使用。通过大量实验，论文证明了 ImFace 模型的优越性。

Mar, 2022

使用动态神经辐射场模型重新构建并生成能够通过单目输入数据学习的场景表示，结合场景表示网络和低维可变形模型进行虚拟场景生成。

Dec, 2020

本文探讨一种新方法 -- 变形感知正则化 -- 以更好地学习隐式神经表示形式，使其对隐式表示形式的变形具有可接受的合理性，并演示了其在如柔性变形等问题中的良好效果。

Aug, 2021

本论文提出了一种名为 MonoHuman 的新型框架，该框架使用共享双向变形模块和前向对应搜索模块来创造出一个可塑性质高的形变场，其利用离线关键帧信息来推断人体不同部位运动的相关特征，使得生成的虚拟角色在姿势、细节和视角等方面更为真实。与其他现有方法相比，该框架产生的效果更为卓越。

Apr, 2023

通过具有个性化、三维可动角色的单目摄像头获取数据，在建模动态、细粒度服装变形方面存在挑战。本文提出了一种名为 ' 神经表面场 ' 的新方法，用于从单目深度数据中建模穿着服装的三维人物，以超越现有方法的局限性，具有计算效率高、网格连贯性好以及能够重建任意分辨率网格等优势。

Aug, 2023

通过融合传统模型的先验信息和新的神经辐射场模型，我们提出了一种新的混合显示 - 隐式 3D 表示方法，用于建模可动画化的 3D 人头头像。我们的方法实现了高分辨率、逼真且视角一致的动态头部外观综合，达到了与以前方法相比的最先进性能。

Sep, 2023

通过在同一度量空间中嵌入图像特征提取器和体积特征场，通过对比框架对齐体积特征与图像特征并利用学习的表面信息对后者进行正则化，本文提出了一种联合学习场景表示、体积渲染和特征场设计的方法，用于视觉定位，并在真实场景中验证了该方法的有效性。

Jun, 2024

提出了一种新颖的快速 3D 神经隐式头像模型，实现实时渲染并保持细粒度的可控性和高渲染质量。本方法引入局部哈希表混合形状，通过线性合并和卷积神经网络预测的权重，将其附加到底层面部参数模型的顶点上，从而实现表情相关的嵌入。通过轻量级多层感知机实现高效的密度和颜色预测，并通过分层最近邻搜索方法加速。大量实验证明，本方法在实时运行的同时实现了与最新技术相比可比的渲染质量，并对具有挑战性的表情获得了不错的结果。

Apr, 2024

本文提出了一种新方法，使用参数化控制头部方向和面部表情，从而在预训练的神经网络对话头模型上提供直观的刚体控制，允许参数和基于图像的输入。

May, 2023