从单视角肖像到统一的三维头发重建
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
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
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
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
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
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
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
本研究解决了传统人发建模方法中的准确性和现实性不足的问题。提出了一种新颖的头发建模方法，通过条带和 3D 高斯的双重表示实现，能够从多视角数据中生成逼真的头发重建。研究结果表明，该方法在条带基础的头发重建任务中达到了最先进的性能，极大推动了现代计算机图形引擎中头发建模的应用。
Sep, 2024