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

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

本研究提出了一种名为LOHO的基于GAN逆向的优化方法，通过将头发分解为三个属性：感知结构、外观和风格，并引入定制的损失函数对每个属性进行独立建模，使得在潜空间中填充缺失的头发结构细节，从而实现头发转移。通过LOHO，用户可以通过单独或联合操作头发属性，从参考发型中传递所需的属性，从而合成新的逼真图像。与现有技术相比，LOHO在头发转移方面实现了优越的FID，并在保留主体身份方面表现出与SOTA图像嵌入管道相当的性能，提高了头发转移的质量。

Mar, 2021

该论文提出了一种新的姿态不变的发型转换模型HairFIT，该模型包括基于流的发型对齐和基于语义区域感知补全蒙版的发型综合两个阶段，能够有效地在具有不同姿势的图像之间实现发型转换，并取得了最先进的性能。

Jun, 2022

本文提出了一种高性能的、具有潜在优化和新颖的局部样式匹配损失的姿势无关发型转移模型，可以在保留局部发型纹理的同时，克服源图像姿态与目标头发图像姿态差异较大产生的不满足问题。实验结果表明，该模型在较大姿势差异下转移发型并保持局部发型纹理的能力较强。

Aug, 2022

本论文提出了一种基于多视图优化的方法，结合StyleGAN技术进行头发的虚拟试穿，能够准确地转移发型并保留输入图片的面部特征和身份信息。

Apr, 2023

我们介绍了一种名为Stable-Makeup的新型基于扩散的化妆迁移方法，能够鲁棒地将各种真实世界的化妆应用到用户提供的人脸上。该方法通过预训练的扩散模型和Detail-Preserving（D-P）化妆编码器来编码化妆细节，并利用内容和结构控制模块来保留源图像的内容和结构信息。我们的方法还通过在U-Net中添加化妆交叉注意力层，可以准确地将细节化妆转移到源图像的相应位置。Stable-Makeup通过内容结构解耦训练可以保持源图像的内容和面部结构。此外，我们的方法表现出较强的鲁棒性和泛化能力，可应用于交叉领域的化妆迁移、以化妆为导向的文本到图像生成等多个任务。大量实验表明，我们的方法在现有化妆迁移方法中取得了最先进的结果，并在多个相关领域具有广泛的潜在应用。

Mar, 2024

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

本研究提出了一个名为HairFast的模型，通过在StyleGAN的FS潜空间中运作的新架构、增强修补方法和改进的编码器来解决从参考图像将发型转移的问题，实现了高分辨率、接近实时的性能和优越的重建效果。

Apr, 2024

本研究解决了单视角三维头发重建中，因发型多样性导致的挑战。提出了一种新的统一方法，通过大规模合成多视角头发数据集及两种专门的扩散先验，实现了复杂髻式和非髻式三维头发的重建，实验表明该方法在复杂发型恢复中达到了先进水平，并在真实图像上展现了良好的泛化能力。

Sep, 2024