- 通过个性化生成器进行面部再现
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 - CVPR基于参数隐式表征的音频驱动面部再现
本文提出了一种新的音频驱动面部再现模型，通过参数化隐式表达，同时采用了正式及隐式表达的优点，采用了多种技术来提高其质量，成功解决了可控性与高质量之间的平衡问题
- IFaceUV：通过 UV 映射保留身份特征的直观动态面部图像生成
IFaceUV 提出了一种全可微的技术流程，该流程涵盖了 2D 和 3D 信息的所有关键方面，从而为面部再现任务提供了一个效果显着的解决方案。
- Head2HeadFS：基于视频的头部逆向再现，低样本学习
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 - ID-Reveal: 具备身份感知的 DeepFake 视频检测
ID-Reveal 通过度量学习和对抗性训练策略学习了特定于人物说话时的时间面部特征，从而在没有任何伪造训练数据的情况下，实现面部伪造检测。与现有技术相比，ID-Reveal 在面部信息伪造检测上表现出更好的泛化性和鲁棒性。
- FACEGAN：面部属性可控再现的 GAN
本文介绍了一种基于动作单元控制的人脸重现 GAN（FACEGAN）算法，以解决在人脸动作重现过程中面部结构和身份信息的泄漏问题，并实验证明该算法相对于现有方法效果更好。
- Face2Face: 实时 RGB 视频人脸捕获和再现
Face2Face 是一种用于实时面部复刻的创新方法，可以通过非刚性基于模型的束缚，跟踪面部表情，实现来自单眼录制的目标视频序列的面部表情的动画化，并以逼真的方式重新渲染操作后的输出视频。
- Head2Head: 视频基于神经元头部综合
本文提出了一种新的面部再现的机器学习架构，该方法利用卷积神经网络进行特征提取及实现面部运动，注重嘴部及时间一致性，实现了将源角色的面部表情、姿势和视线传输到目标视频中，比现有技术更精确地展现了真实人像。
- 基于风格生成器的无约束面部表情转移
提出了一种基于 StyleGAN 模型的面部表情迁移方法，通过优化过程和线性组合方案将两个输入脸部图像的外观属性和表情属性实现合并，从而在不需要几何注释的情况下生成高质量、准确的面部表情合成结果。
- 自动人脸重现
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。