采用神经网络处理的图像合成方法，通过人工繁琐的建模，渲染和复合形成目标发型的三维几何形状来合成真实的面部毛发变化，使用户能够通过简单的引导笔画来进一步指导和修整所生成的图像。此方法不仅可以控制结构和颜色特征，而且发夹名单可以灵活地扩展和生成高保真头皮发。

Apr, 2020

本文提出了首个深度隐式三维可微形变模型（i3DMM），该模型不仅捕捉了前部人脸的特定身份几何、纹理和表情，还模拟了包括头发在内的整个头部。使用一种新的设计，将形状与颜色分离来学习密集的对应关系，最终展示了i3DMM的优点及其应用。

Nov, 2020

本文介绍了一种使用神经网络从单一图像中建立高保真度的3D头发模型的方法，通过使用两种不同的神经网络，IRHairNet 和 GrowingNet，来实现头发几何特征的推测和3D头发丝的生成，从而取得了最先进的性能表现。

May, 2022

本文提出了一种新的中间表示（HairStep）来减轻学习基于合成数据的单视图三维头发建模所面临的领域差距问题，并在建立了一个新的数据集进行实验，取得了最先进的性能。

Mar, 2023

本文提出了一种名为神经剪发的方法，可以从单眼视频或多视角图像中恢复出具有高逼真度和个性化的发型，该方法有两个阶段并通过不同iable renderer，通过隐式体积表示对粗糙的头发和胸围形状及发型方向，以及头发的先验进行精确的几何重建，从而解决了现有方案面临的挑战。

Jun, 2023

我们提出了HAAR，一种基于链式的3D人类发型生成模型，通过文本输入生成可用于现代计算机图形引擎中的3D发型，并通过定性和定量研究，演示了该模型的能力并与现有发型生成方法进行了比较。

Dec, 2023

Hairstyle reflects culture and ethnicity, and this paper presents GaussianHair, a novel hair representation technique that enables comprehensive modeling, realistic appearance, efficient rasterization, and breakthroughs in geometric and appearance fidelity, addressing the limitations in hair reconstruction methods.

Feb, 2024

通过提出MonoHair框架，我们能实现高度逼真的3D头发重建，同时解决了严格捕捉条件或依赖先验数据带来的问题。我们的方法将模型分为外部和内部重建两个阶段，并利用Patch-based Multi-View Optimization（PMVO）和多视图3D头发重建等技术来提高重建效果。实验证明了我们方法在不同发型上的鲁棒性和卓越性能。

Mar, 2024

本研究解决了单视角三维头发重建中，因发型多样性导致的挑战。提出了一种新的统一方法，通过大规模合成多视角头发数据集及两种专门的扩散先验，实现了复杂髻式和非髻式三维头发的重建，实验表明该方法在复杂发型恢复中达到了先进水平，并在真实图像上展现了良好的泛化能力。

Sep, 2024

本研究解决了传统人发建模方法中的准确性和现实性不足的问题。提出了一种新颖的头发建模方法，通过条带和 3D 高斯的双重表示实现，能够从多视角数据中生成逼真的头发重建。研究结果表明，该方法在条带基础的头发重建任务中达到了最先进的性能，极大推动了现代计算机图形引擎中头发建模的应用。

Sep, 2024