通过从大规模三维人脸数据集中学习而非模拟的方式，我们提出了一种通用的基于物理的人脸模型，使物理基础的人脸动画更容易使用。一旦训练完成，我们的模型可以快速适应任何未见过的身份，并自动生成一个可供动画使用的物理人脸模型。拟合过程非常简单，只需提供一个三维人脸扫描，甚至一个人脸图像。同时，我们提供直观的动画控制以及角色重定向的能力。所得到的动画能够具备碰撞避免、重力、麻痹、骨骼重塑等物理效果。

Feb, 2024

通过建模特定身份的面部动作为潜在表示（称为样式），并在各种情感类别的语音输入中合成具有目标样式的新动画，我们提出了一种个性化语音驱动的富有表现力的 3D 面部动画综合框架。

Oct, 2023

通过使用 StarGAN 和保持发音相符合的口形损失，我们提出了一种新颖的方法将 3D 面部动画转换为不同的情感和个人风格，以便修改动画的风格特征。

Jul, 2023

通过使用一个可微分的、准静态的、基于物理学的仿真层，以神经网络参数化为特征，本论文利用活动软体对形态施加内部驱动机制。关键贡献是通过定义一个函数实现空间点在材料空间中到激励值的连续映射，从而提供了捕获信号主导频率的特性。扩展了隐式模型到下颚运动学，特别是面部动画的情况，并展示了能够可靠地复制用高质量捕捉系统记录的面部表情的能力。我们将该方法应用于体积软体、人体姿势和面部表情，证明了对艺术家友好的属性，如在测试时对潜在空间的简单控制和解析度不变性。

Jan, 2024

提出了一种基于 StyleGAN 模型的面部表情迁移方法，通过优化过程和线性组合方案将两个输入脸部图像的外观属性和表情属性实现合并，从而在不需要几何注释的情况下生成高质量、准确的面部表情合成结果。

Dec, 2019

本文研究应用深度学习技术将单张静态图片转化为逼真的三维动画，重点探究四维面部表情的生成。作者运用一种称为深度网格编码器 - 解码器的技术，结合表情识别模型，以高分辨率的四维扫描数据集为基础，成功地实现了对面部表情的高度逼真合成，且具有较好地泛化能力。该研究是首次尝试解决四维面部表情合成的问题。

Jul, 2020

使用 TranSTYLer 模型，该模型基于多模态转换器，可以在保留行为形状的同时，将一个虚拟代理人的行为表现风格转移到另一个代理人身上，同时确保传达源行为的含义为主。

Aug, 2023

为了实现面部三维动画的情感表达和语音的同步，研究者开发了一种名为 EMOTE 的系统，它通过在空间局部和时间高频率上对语音内容进行口型识别来训练表情，同时维持与语音同步且具有完全的情感表达。

Jun, 2023

提出一种新的使用隐式表示的解剖受限人脸模型，通过联合学习面部解剖和皮肤表面来建模，可以作为传统混合形状模型的可替代方案，并应用于形状拟合、形状编辑和性能重定向等任务。

Dec, 2023

DeepExpr 是一种通过深度学习从人类到多种风格化角色的新颖表情转移系统，并在人脸表情数据集 FERG 上验证其有效性以及排名相关性。

Nov, 2019