DeepFaceFlow 是一种基于 3D 的深度学习框架，用于快速准确地从单目图像中捕捉面部运动，并且可以应用于面部表情识别等领域，同时结合了 occlusion-aware 和 3D-based 损失函数进行训练和测试，方法优于现有的流和 3D 方法，还能作为完整的头部面部视频合成中的一部分。

May, 2020

本文提出了一种使用神经网络在高度自由的 RGB 图像中计算面部对应关系的最简单有效的方法，使用渲染可变姿势、表情、照明和遮挡的多样化三维面部模型生成大量人工数据集，结合真实照片培训表现在精度和速度上优于现有方法，并可以成功地处理极端姿势变化、遮挡和光照条件。

Sep, 2017

本文提出一种简单的方法，可以同时重建三维人脸结构并提供密集对齐。该方法使用称为 UV 位置映射的二维表示来记录完整面部的三维形状，并使用简单卷积神经网络从单个二维图像中回归它。该方法不依赖于任何先前的人脸模型，并且可以重建全面部几何信息。与之前的作品相比，网络非常轻便，并且只需 9.8 毫秒即可处理图像。多次挑战数据集的实验表明，该方法在重建和对齐任务上均优于其他最先进的方法。

Mar, 2018

在这篇论文中，我们提出了一种新的变形技术，将 2D 和 3D 方法的优势结合起来，以实现稳健的面部再演技术。我们生成了密集的 3D 面部流场，并通过所提出的 “循环变形损失” 将其转换回 2D RGB 空间，从而实现了对源面孔和目标面孔的 3D 几何控制。通过首先渲染面部前景区域，然后学习对由于源面孔平移而需要填充的空白区域进行修复，我们重建了细节丰富的背景，而且在渲染无伪影的面部图像方面超过了现有技术。

Apr, 2024

该研究提出了一种人体姿势转换的新方法，通过估计稠密和内部的 3D 外观流来更好地指导姿态之间像素的转移，并通过该方法生成了真实的目标姿态图像。

Mar, 2019

本文提出一种利用 CNN 进行 3D 面部形状估计的方法，实现了对于姿态变化较大的大角度面部图像的高精度、稠密三维对齐。

Sep, 2017

该研究提出了一种基于多模态的方法来实现从单目视频中进行 4D 人脸重建，并使用 AVFace 技术准确地重构任何人的面部和唇部运动，而无需任何 3D 地面真实测试。

Apr, 2023

这篇论文介绍了一种高效、全自动的方法，可以在自由 2D 图像中进行 3D 人脸形状和姿态估计，并使用基于改进的 U-Net 神经网络架构的单一传递联合估计稠密的 3D 关键点和面部几何，此外，还提出一种直接估计 3D 可塑模型（3DMM）参数的方法，通过估计的 3D 关键点和几何形状作为线性系统的约束，为非约束性视频序列中的预测 3D 面部关键点进行了定性建模结果和定量评估。

Aug, 2017

利用多帧视频自我监督训练深度网络，学习面部身份模型并同时重建 3D 面部，采用新的多帧一致性损失函数使得 consistent shape 和 appearance 尽量减小深度不确定性，从而实现单目和多帧重建。

Dec, 2018

本文提出了一种改进的 2D 编码事件数据的 3D 表达方法，并介绍了 3D-FlowNet 网络体系结构以进行光流估计，并采用自监督训练策略来弥补事件相机标记数据的缺乏。结果表明，我们的 3D-FlowNet 具有更好的性能。

Jan, 2022