我们提出了一种面向多帧人脸识别、对齐和超分辨率的综合系统，使用神经网络架构，同时考虑多个相邻帧，并利用子像素运动，从而显著提高了识别得分。

Sep, 2017

我们提出了一种新颖的神经算法，用于超采样渲染内容，比现有方法高效四倍，并保持相同的准确性水平。此外，我们还引入了一个新的数据集，该数据集提供了运动向量和深度等辅助模态，使用不同分辨率的图形渲染特征，如视口抖动和多级纹理偏差。我们相信，这个数据集填补了当前数据集领域的空白，并可以作为一个有价值的资源，用于帮助衡量领域进展，并推动超分辨率技术在游戏内容中的最新进展。

Aug, 2023

通过表情分析生成满足要求的脸部几何表达形式并结合有监督和无监督学习实现面部细节合成的单图像三维面部综合技术.

Mar, 2019

该论文介绍了一种基于神经渲染的深层结构，可以在实时中进行补全、超分辨率、去噪，取得高质量图像，适用于虚拟和增强现实头盔，大大改善了用户的使用体验。

Nov, 2018

该研究提出了一种新方法，可以通过输入视频实现人像视频的逼真的重新动画制作，在此过程中将源演员的全面影响转移到目标演员的画像上。

May, 2018

利用深度卷积神经网络提取中层特征，从高分辨率人脸数据库中拟合特征的凸组合，从而生成 photorealistic texture map，以实现从低分辨率输入图像中合成高逼真度的 3D 人脸渲染模型，并进行了广泛的验证。

Dec, 2016

本文章旨在提出一种基于实时深度学习框架的视频面部表情捕获技术，能够从单目视频中密集地追踪演员的脸部运动，从而大大缩短现代叙事驱动的电子游戏或电影开发所需要的时间和劳动力。

Sep, 2016

本文研究解决现实世界中动画视频超分辨率（VSR）的难题，并揭示了实用动画 VSR 的三个关键改进：通过学习基本运算符来改进基本降质操作生成过程中的能力，使用 AVC 数据集进行综合训练和评估，以及研究有效的多尺度网络结构。我们的 AnimeSR 方法能够有效和高效地恢复现实世界中低质量的动画视频，并实现了优于以往最先进方法的性能。

Jun, 2022

本文提出了一种新的面部再现的机器学习架构，该方法利用卷积神经网络进行特征提取及实现面部运动，注重嘴部及时间一致性，实现了将源角色的面部表情、姿势和视线传输到目标视频中，比现有技术更精确地展现了真实人像。

May, 2020

该研究提出了一种将 3D 人脸先验知识与深度卷积神经网络相结合的人脸超分辨率方法。实验结果表明，所提出的方法在面部超分辨率方面取得了优异的效果。

Jul, 2020