本文介绍了一种新的分层表示网络（HRN），通过几何分离和分层表示来实现对细节精确的面部重建。同时，考虑不同视角的细节一致性，提出了一种去除重新贴图模块。通过在两个单视图和两个多视图 FR 基准上的实验，展示了该方法在重建精度和视觉效果方面的优越性，并引入了高质量的 3D 面部数据集 FaceHD-100。

Feb, 2023

通过使用 SFNet 模型，我们提出了一种基于两个 fringe 图像的相位恢复方法，实现了高精度的 3D 重建，解决了使用有限数量的 fringe 图案的挑战。

Feb, 2024

采用单幅投影的主动立体视觉技术，也称为一次性三维扫描，已经引起了产业、医学等领域的广泛关注。然而，一次性三维扫描存在稀疏重建的严重缺陷，并且由于空间模式的复杂性，在嵌入效率方面容易受到噪声的影响，从而导致解码不稳定。为了解决这些问题，我们提出了一种适用于任何类型的静态模式的像素级插值技术，只要该模式是规则且周期性的。通过使用经过高效数据增强算法预训练的 U-net，我们实现了这一目标。在本文中，为了进一步解决解码不稳定性问题，我们提出了一种基于马尔科夫随机场（MRF）优化的鲁棒对应点查找算法。我们还提出了一种基于 b 样条和高斯核插值的形状细化算法，使用明确检测到的激光曲线。实验证明了所提方法在强噪声和纹理实际数据上的有效性。

Sep, 2023

本研究提出了一种基于深度神经网络的新的凹凸条纹图案 FP 去噪和标准化的框架，并使用 U-net，V-net 模型对其进行模拟和改良，对不同噪声和分布的 FP 进行实验评估，证明其重要性和潜力。

Jun, 2019

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

本文提出了改进的 DepthNet-HR-Depth，使用两种有效的策略 —— 重新设计 DepthNet 中的 skip-connection 以获得更好的高分辨率特征，并提出了特征融合 Squeeze-and-Excitation（fSE）模块以更高效地融合特征，以获得在高分辨率注意和低分辨率注意下超过所有最先进方法的性能。

Dec, 2020

本文提出了一种神经网络来估算单张 RGB 图像中前景人物的详细深度图，其中分离深度图为平滑基础模型和残差细节模型设计出两个分支的网络来回归它们，并利用一种新的网络层将粗深度图和表面法线融合以进一步提高最终结果。

Oct, 2019

使用未经训练的 Res-U2Net 模型进行相位恢复，并利用提取的相位信息确定物体表面的变化，并生成其三维结构的网格表示。与 GDXRAY 数据集中的 UNet 和 U2Net 相比较，对 Res-U2Net 相位恢复方法的性能进行了比较。

Apr, 2024

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

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