本文提出了一种名为神经剪发的方法，可以从单眼视频或多视角图像中恢复出具有高逼真度和个性化的发型，该方法有两个阶段并通过不同 iable renderer，通过隐式体积表示对粗糙的头发和胸围形状及发型方向，以及头发的先验进行精确的几何重建，从而解决了现有方案面临的挑战。

Jun, 2023

本文提出了一种名为 Neural Strands 的新型学习框架，它可以从多视角图像输入中准确地建模头发的几何形状和外观，并提出了基于神经头皮纹理的新型头发表示和基于光栅化的新型神经渲染框架，可以同时实现外观和外显头发几何学的联合学习。

Jul, 2022

使用深度学习方法生成三维头发几何结构，性能实时，能恢复局部细节，并引入碰撞损失以合成更合理的发型。

Jun, 2018

提出一种使用神经网络的头发渲染流程，通过共享潜在空间编码两个领域的外观不变结构信息生成逼真的渲染图像，并使用简单而有效的时间条件方法，可以在未经监督的情况下工作于任意头发模型，并在大量肖像上测试，得出其优于替代方案和最先进的无监督图像翻译方法的结论。

Apr, 2020

本文提出了一种新的中间表示（HairStep）来减轻学习基于合成数据的单视图三维头发建模所面临的领域差距问题，并在建立了一个新的数据集进行实验，取得了最先进的性能。

Mar, 2023

我们提出了 HAAR，一种基于链式的 3D 人类发型生成模型，通过文本输入生成可用于现代计算机图形引擎中的 3D 发型，并通过定性和定量研究，演示了该模型的能力并与现有发型生成方法进行了比较。

Dec, 2023

采用神经网络处理的图像合成方法，通过人工繁琐的建模，渲染和复合形成目标发型的三维几何形状来合成真实的面部毛发变化，使用户能够通过简单的引导笔画来进一步指导和修整所生成的图像。此方法不仅可以控制结构和颜色特征，而且发夹名单可以灵活地扩展和生成高保真头皮发。

Apr, 2020

Hairstyle reflects culture and ethnicity, and this paper presents GaussianHair, a novel hair representation technique that enables comprehensive modeling, realistic appearance, efficient rasterization, and breakthroughs in geometric and appearance fidelity, addressing the limitations in hair reconstruction methods.

Feb, 2024

本文介绍了一种使用神经网络从单一图像中建立高保真度的 3D 头发模型的方法，通过使用两种不同的神经网络，IRHairNet 和 GrowingNet，来实现头发几何特征的推测和 3D 头发丝的生成，从而取得了最先进的性能表现。

May, 2022

通过提出 MonoHair 框架，我们能实现高度逼真的 3D 头发重建，同时解决了严格捕捉条件或依赖先验数据带来的问题。我们的方法将模型分为外部和内部重建两个阶段，并利用 Patch-based Multi-View Optimization（PMVO）和多视图 3D 头发重建等技术来提高重建效果。实验证明了我们方法在不同发型上的鲁棒性和卓越性能。

Mar, 2024