提出了一种名为 DNPM 的神经参数化模型，用于面部几何细节，它利用深度神经网络从编码细节和皱纹的面部位移图中提取潜在代码。在 DNPM 的基础上，提出了一种名为 Detailed3DMM 的新型 3DMM，通过仅使用身份和表情输入进行面部细节的合成来改进传统的 3DMM。另外，我们展示了 DNPM 和 Detailed3DMM 在两个下游应用中的作用：基于语音驱动的详细 3D 面部动画和从降质图像中进行 3D 面部重建。广泛的实验证明了 DNPM 和 Detailed3DMM 的有用性以及两种提出的应用的进展性。

May, 2024

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

自动生成 3D 人头一直是计算机视觉研究人员的一个引人入胜且具有挑战性的任务。我们提出了一种方法，它具备质量、多样性、控制和逼真性等令游戏设计艺术家期望的功能，其中包括可解释的网络设计、无缝合成多个高保真度的基于物理的渲染贴图以及对生成贴图进行语义颜色控制的新颖色彩变换模型。

Oct, 2023

本文介绍一种使用 RGB-D 自拍相机实现高保真、逼真、照片级的 3D 数字人头制作的完全自动化系统。该系统采用不同于传统的面部几何建模和反射合成技术，成功运用了两阶段帧选则过程和可微渲染器的 3DMM 拟合算法来从多视角 RGB-D 数据中恢复面部几何，进而实现人脸表面纹理的抠取与合成，从而制作出了高度真实细节的数字人头。

Oct, 2020

本文提出一种新的 3D 人头模型，融合现有的人脸模型和头部模型并加入耳朵，眼睛，牙齿，舌头等特征的模型，实现了最新的复原效果，并可以从单张图片重现整个头部的表面特征参数。

Nov, 2019

提出 GANHead 模型，利用精细控制和真实感渲染相结合的优点，通过三个网络在规范空间中表示粗略几何、细节和纹理，来生成完整、真实、可动的头部数字化 avatar，并通过 LBS 权重和 FLAME 参数的学习，来实现灵活地动画生成。该模型有效提升了头部数字化 avatar 生成和原始扫描拟合的性能。

Apr, 2023

该论文提出了一种新的框架，利用深度神经网络和 Hierarchical Mesh Deformation 技术综合使用人体关节、轮廓和像素的着色信息，从而在单张图片中精确恢复人体形状。实验证明，我们的方法在 2D IoU 计算和 3D 距离计算的准确度上都优于现有的其他方法。

Apr, 2019

本文提出了一种新的基于 3D 可塑模型（3DMM）的文本引导头部生成方法，利用扩散模型生成多视图一致性辐射场的同时更新几何和纹理以生成和文本描述一致的 3D 头部化身，以此在一定程度上提高 3D 头部生成的精度和多样性。

Jul, 2023

这篇论文提出了一种新方法，使用前向蒙皮模块和对抗网络模型，仅从少量生动的数据中学习生成多样化的 3D 人形模型，以便能够更自然地生成身着不同服装的人形模型，并且还可用于将人形模型拟合到原始扫描数据上。

Jan, 2022

介绍了扩散参数头模型（DPHM），这是一个生成模型，可以从单目深度序列中实现强大的体积头部重建和跟踪。通过提出一种基于潜在扩散的先验进行规范化，有效地限制了身份和表情码位于表示合理头部形状的潜在流形上。通过与最先进的跟踪方法进行比较，证明了我们的方法在头部身份重建和表情跟踪方面的改进。

Dec, 2023