使用频率分割网络及频率分解损失来生成高保真的 3D 手部建模，提出一种评估指标 MSNR，可有效测量网格细节。

Jul, 2023

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

该论文提出了一个深度学习替代模型，用于快速模拟高维频率选择性表面。通过引入物理洞察力到模型中，它可以在使用缩小数据集进行训练后，准确预测某种结构的 S 参数。该模型非常多功能，可用于任何类型的频率选择性表面，无论是基于任意几何形状的孔洞还是贴片。通过数值示例，展示了基于矩形孔洞屏幕组成的频率选择性表面的预测性能与全波模拟器的结果之间的优秀一致性。

Sep, 2023

本论文提出了一种基于网格表面的谱卷积模型，该模型能够更好地捕捉面部的非线性变形和表情，使用少量数据训练即能有效地重建三维面部模型。

Jul, 2018

使用双分支网络和体积渲染生成照片级逼真的 3D 人体图像，通过限制频率分量和观察帧一致性，实现了保留高频细节和确保身体轮廓一致性的高保真度人体 3D 模型重建。

Jun, 2024

本文提出了一种适用于新视角合成的有效的点云渲染管道，其中包括自适应频率调制模块，用以提供更丰富的频率支持并改善网络性能，并支持高保真度交互式编辑。实验结果也表明本方法在性能表现方面优于现有最先进技术。

Mar, 2023

我们提出了一种基于频谱的学习方法，用于生成具有动态效果和个性化细节的服装变形。通过引入频谱视角的频率控制策略、泛化形状信息的频谱描述符和集成了长短期记忆的频率可控注意机制，我们开发了一种动态服装变形估计器，实现了对不同类型服装的连续变形，并通过神经碰撞处理方法增强了服装的逼真度。实验结果表明，我们的方法在多种自由摆动的服装上表现出优越性，超过了现有方法。

Aug, 2023

本文提出使用谱鉴别器按照真实数据的频率分布生成图像，以解决当前深度生成模型中图像易被识别的问题。谱鉴别器具有轻量、模块化等特点，可以有效改进生成图片的频谱，提升模型性能。

Dec, 2020

通过对高频傅里叶模式的分析，我们提出了一种基于图像频谱的检测方法，能够在 5000 张图像的数据集上实现高达 99.2% 的准确分类，并建议一种修改高频属性的方法以模拟真实图像。

Nov, 2019

本文提出了一种从中性 3D 人脸和表情标签生成动态 3D 面部表情的解决方案，解决了表情动态建模和面部变形两个子问题，并展示了该方案在动态表情生成和网格重建方面的显著改进。

May, 2021