DiffusionAct 是一种利用扩散模型的照片级真实图像生成来进行神经脸部再现的新方法，能够编辑输入图像的脸部姿势，实现一次性、自我和跨主体再现，并展示了优于甚至与 GAN、StyleGAN2 和扩散方法相媲美的再现性能。

Mar, 2024

提出了一种基于图像的面部再现系统，其可用于将源视频用户的面孔替换为现有目标视频中演员的面孔，并保留原始目标性能，系统具有全自动化和不需要源表情数据库的特点，使用了图像检索和面部转移以产生令人信服的效果。

Feb, 2016

本文提出了一种新型的自我监督混合模型（DAE-GAN），它结合了两个形变自编码器及条件生成的最新进展，用于学习如何在大量未标记视频的情况下自然地再现人脸，并且在 VoxCeleb1 和 RaFD 数据集上得到了优秀的实验结果，表明了重新表演图像的优异品质和在不同身份之间转移面部动作的灵活性。

Mar, 2020

该研究提出了一种基于一次学习的人脸复现系统，通过将目标人脸外观和源脸形状投影到潜在空间中，并学习一个共享解码器来使这两个潜在空间相关联，从而实现有效建模。该方法在 Mustache 和 Hair 区域照片合成的质量上比传统方法有很大提高，并且仅用一张目标图像训练便能实现与多张目标图像训练同样令人满意的结果.

Aug, 2019

通过引入高效有效的 Face-Adapter，我们旨在解决资源密集型的训练问题，从而实现预训练扩散模型的高精度和高保真度的人脸编辑，该模型在运动控制精度、ID 保留能力和生成质量方面具有可比甚至优越的表现。

May, 2024

提出了一种新颖的轻松适应管道 head2headFS，可以将源人的表情和整个头部姿势高质量地转移到目标人，使用源的密集 3D 面部形状信息来调节目标人的合成，fine-tuning 自适应多人数据集训练的通用生成器为个人特定的生成器，具有 few-shot learning 功能。

Mar, 2021

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

本文提出利用个性化生成器进行面部复原的新方法，通过采用个性化的生成器，我们可以拍摄一个短且多样化的自我扫描视频以训练我们的生成器，并结合精心设计的潜在优化来确保图像保持身份，并展示我们的方法在面部复原方面具有最先进的性能，同时可以进行语义编辑和风格化处理。

Jul, 2023

本文提出了一种新颖的生成对抗网络，用于单次面部再现，能够在保持面部原始外观的同时对单个面部图像进行不同的姿势和表情动画效果。作者们设计了外观自适应归一化机制和本地网络结构，用于集成外观信息和优化脸部生成器，实现更加精准的面部再现表达。实验结果表明，该模型在单次方法中取得了显著的效果提升。

Feb, 2021

使用预训练的 StyleGAN2 生成器，结合超网络技术，我们的神经脸部再现方法 HyperReenact 在一次性条件下，实现了逼真的说话头部图像的生成，消除了外部编辑方法通常产生的伪影，并具有出色的鲁棒性，甚至在极端头部姿势变化下也表现出卓越的性能。

Jul, 2023