本文提出了基于多视角几何一致的自监督训练架构，目标是在面部姿态和深度估计过程中提供可靠的约束。实验结果表明，该方法在面部姿态、表情和光照等方面的变异下都表现出优越性。

Jul, 2020

该研究提出了一种新的框架，可以在只有 2D 图像且每个实例只有一个视角的情况下，从单张图像中进行特定类别的三维重建和新形状的生成，并支持较弱的监督。采用网格作为输出表达方式，利用光照参数和明暗信息进行训练，支持对洼地的物体类别进行学习。通过五项应用评估，发现该方法的性能表现优于现有的一些方法。

Jan, 2019

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

通过扩展 Laplacian formalism，我们可以将单目 3D 形状重建转化为更好处理的问题，通过简单地解决线性最小二乘问题可以快速可靠地消除异常值。这使我们能够实时地降低表面重建问题的维度而不会损失准确性。

Mar, 2015

本文提出了一种新的单目三维目标检测方法，通过考虑物体间的几何关系，探索它们的相互关系来更好地估计三维框，并使用检测到的二维框来全局约束相应的三维框的优化，通过提出的可微分损失函数（Homography Loss）来实现这一目标。实验证明，该方法表现出比其他最先进的方法在 KITTI 3D 数据集上具有更好的性能。

Apr, 2022

通过将现有的 2D 特征与 3D 特征相结合，引入 3D-ID Loss 指导模型学习过程，提出一种创新方法来克服当前单眼 3D 人脸重建方法中所遇到的挑战，从而提高 3D 结构特征的重建效果。

Mar, 2024

本研究提出一种基于神经表示的脸部反射模型，通过单张图像的估计来生成基于光照、视角和脸部几何变换的脸部反射基，可用于在任何光照条件下从任何视角渲染脸部，其能更好地捕捉诸如亚表面散射、镜面效应、自身阴影和其他高阶效应等物理基元，进而提高光照模型的仿真度。

Aug, 2020

在这篇论文中，我们提出了一种基于光度立体技术的轻量级策略，仅需要稀疏输入或单个图像即可恢复近场光下高保真度的面部形态。通过构建包含 84 个不同主题和 29 种表情的数据集，我们提出了一个专门设计用于光度立体基于 3D 面部重建的新型神经网络。广泛的实验和比较表明，我们的方法可以生成高质量的重建结果。

Mar, 2020

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

本文提出了一种在线优化的网络结构，通过避免依赖于深层神经网络的初始化，使用了概率形状先验指导深层特征以及图像线索，实现了从单个图像中重建三维形状，且相较于现有最先进方法，得到了可比较的结果。

Nov, 2018