本文提出即时体积头像 (INSTA) 的新方法，使用神经光辐射场对嵌入在参数化面部模型周围的神经图形原语进行建模，能够在不到 10 分钟的时间内通过单眼 RGB （红绿蓝）肖像视频构建数字头像，并实现新的姿势和表情的交互式渲染，并且在不同主题上量化和质量方面研究， INSTA 表现出比现有方法更优的渲染质量和训练时间。

Nov, 2022

该研究提出了一种通过对单视角幅面图像进行重建和动画化的三维头像，通过三个三角面分别捕捉源图像的粗略三维几何，详细外观以及目标图像的表情实现，再通过超分辨率模块的渲染进行填充并通过单向传递网络的高效性进行动画。实验表明，该方法在重建和动画方面优于当前最先进的基线方法，并且对新的验证数据集有很好的泛化能力。

Jun, 2023

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

本文提出一种利用神经放射场和局部像素对齐特征预测人头部的体积化代理，可以在多身份环境中进行泛化，并且无需明确的 3D 监督。该方法在以光度渲染损失为基础的端到端训练中表现出更好的质量，并且能够生成真实的面部表情。

Jan, 2021

基于单目视频输入，本研究提出了一种名为 360° 体积肖像（3VP）头像的新方法，该方法用于重建 360° 全景真实头像，以模板为基础跟踪躯干、头部和面部表情，训练基于神经辐射场的神经体积表示，解决了外观变化模型中特别是嘴唇和牙齿区域的挑战，评估了实际采集的数据并与最先进的单目重建方法进行了比较。

Dec, 2023

提出一种将神经点表示和神经体渲染结合的方法，使用高分辨率 UV 位移贴图约束神经点来实现更准确的表情控制，通过使用 GEP 射线采样策略和轻量级辐射解码过程，提高了渲染和训练效率。在 Multiface 数据集上通过实验验证了该方法的有效性。

Jul, 2023

我们提出了一种从只有一个肖像作为参考的照片逼真数字化头像的合成方法。该方法使用驱动关键点特征合成粗糙的说话头视频。使用粗糙视频，该方法使用变形神经辐射场合成粗糙的说话头头像。通过渲染粗糙头像的图像，该方法使用盲目人脸修复模型更新低质量图像。通过更新后的图像，我们重新训练以获得更高质量的头像。经过几轮迭代，我们的方法可以合成逼真的可动画的 3D 神经头像。我们的方法通过在各种主题上进行定量和定性研究超越了最先进的方法。

Jul, 2023

使用少量图像创建高质量的个性化头像，通过学习生成模型和 3DMM 锚定的神经辐射场骨干构建先验，实现基于少量输入图像的自动解码，优化 3DMM 拟合和相机校准以改进少样本自适应，开创了创建更高效个性化头像的道路，超越现有最先进的方法。

Feb, 2024

基于 3D 高斯原理，我们提出了一个名为 GaussianHead 的头像算法，它在头部几何和三面平面的因素对齐变换有效消除了固定映射引入的偏见，使得在自重建、新视图合成和跨身份再现等任务中获得了最佳的可视效果，并保持高渲染效率（每帧 0.12 秒）。有关代码和其他视频可以在项目主页上找到。

Dec, 2023

利用神经渲染基础系统从单张照片创建头像，将外貌分解为两个图层，第一层是由小型神经网络合成的姿态相关的粗略图像，第二层由姿态无关的纹理图像定义，通过在线形变和添加到粗略图像上，以确保高分辨率综合头部视图的有效性和速度。实验显示了和先前神经头像模型相比具有显著的推理加速和视觉质量，同时还在智能手机上实现了实时功能。

Aug, 2020