本文提出了一种利用图卷积网络从单视角图像中重建具有高保真度贴图的三维人脸形状的方法，并相对于其他的现有方法具有更好的定量和定性效果。

Mar, 2020

本文提出一种简单的方法，可以同时重建三维人脸结构并提供密集对齐。该方法使用称为 UV 位置映射的二维表示来记录完整面部的三维形状，并使用简单卷积神经网络从单个二维图像中回归它。该方法不依赖于任何先前的人脸模型，并且可以重建全面部几何信息。与之前的作品相比，网络非常轻便，并且只需 9.8 毫秒即可处理图像。多次挑战数据集的实验表明，该方法在重建和对齐任务上均优于其他最先进的方法。

Mar, 2018

本文提出了一种使用 Siamese 卷积神经网络的 3D 人脸重建方法，采用对比损失和恒等损失来保留身份特征信息和增加不同身份之间的距离，从而提高人脸识别的准确性。实验证明，在 300W-LP 和 AFLW2000-3D 等数据库上，相较于现有技术，该方法更加有效。

May, 2019

本篇研究利用基于深度学习的自编码器构建了一种新型 3DMM 模型，用于实现低计算复杂度下的面部重建及颜色渲染。

Apr, 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

本论文介绍了一种基于卷积神经网络和生成随机几乎逼真的面部图像的方法，可以通过单张照片快速、稳健地重建面部的三维几何结构，即使在极端表情和各种光照条件下也可以成功恢复面部形状。

Sep, 2016

本文提出了一种基于深度卷积自编码器的新颖模型，用于从野外拍摄的单幅彩色图像重建三维人脸。通过将卷积编码器与专家设计的生成模型相结合，提出了一种新的可微分参数解码器。该解码器将基于生成式模型的图像形成解析包括在内，以输入的码向量作为输入，从单个单眼输入图像中提取具有明确定义语义含义的参数。该文章的一个突破是在无监督的情况下，首次实现了 CNN 编码器和专家设计的生成模型的端到端训练，这使得对非常大的（未标记的）真实世界数据进行训练成为可能。所得到的重建结果在质量和表示的丰富性方面均优于当前最先进的方法。

Mar, 2017

本文提出了一种编码器 - 解码器网络架构，用于从单个 2D 图像中分离出形状特征，从而能够同时实现重建准确的 3D 人脸形状和学习面部识别的判别形状特征。与现有的 3D 人脸重建方法不同，我们的方法直接从单个 2D 图像回归密集的 3D 人脸形状，并根据一个含有潜在表示的组合 3D 人脸形状模型，明确地分开处理了 3D 人脸形状的身份和残差（即非身份）部分。我们制定了一个训练流程，用联合损失来衡量面部识别错误和 3D 人脸形状重建错误，为此我们开发了一种将 3D 形态可塑模型（3DMM）适配到多幅同一主体的 2D 图像上的方法。广泛的实验在 MICC、BU3DFE、LFW 和 YTF 数据库上进行。结果表明，我们的方法扩展了 3DMM 捕捉判别形状特征和面部细节的能力，因此在 3D 人脸重建准确性和面部识别准确性方面均优于现有方法。

Mar, 2018

该篇论文提出了一种基于深度神经网络的端到端的方法来从单张 2D 人脸图像中进行三维人脸重建，并且利用了多任务损失函数和融合卷积神经网络来提高人脸表情重建的准确性。

Apr, 2017

我们提出了使用卷积神经网络进行三维面部模型重建的方法，通过大量标记数据的生成，优化了模型的准确性和稳定性，得到了超过现有方法的识别结果，实现了使用三维面部模型进行面部识别。

Dec, 2016