Hairmony: Fairness-aware hairstyle classification
Microsoft(微软);The Pennsylvania State University(宾夕法尼亚州立大学)
提出基于合成数据和新型发型分类法的公平性感知发型分类方法,采用预训练特征提取网络架构,在挑战性发型上显著优于参数化方法。
2024-10-15 cs.CV
What to Preserve and What to Transfer: Faithful, Identity-Preserving Diffusion-based Hairstyle Transfer
KAIST AI(韩国科学技术院人工智能研究院)
提出单阶段扩散模型HairFusion,通过头发无关表示、Align-CA对齐和自适应混合,在真实场景下实现高保真且保持身份特征的发型迁移。
2024-12-20 cs.CV
Can the accuracy bias by facial hairstyle be reduced through balancing the training data?
University of Notre Dame(圣母大学)
本研究探讨平衡训练数据能否减少面部毛发引起的人脸识别准确率偏差,发现即使使用平衡数据集或数据增强,准确率差距依然存在,且该影响在不同种族间差异显著。
2024-05-30 cs.CV
H-Adapter: Pose-Robust Hairstyle Transfer via Attention-Derived, Source-Aligned Hair Masks
SNOW Corp.(SNOW公司)
提出H-Adapter,利用区域特定损失解耦头发与非头发目标,导出源对齐头发编辑掩码引导扩散修复,实现大姿态差异下的鲁棒发型迁移,在FID、FID_CLIP和CLIP-I指标上取得最优。
2026-07-21 cs.CV
HairDiffusion: Vivid Multi-Colored Hair Editing via Latent Diffusion
School of Computer Science & Software Engineering, Shenzhen University(深圳大学计算机与软件学院);Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳市人工智能与机器人研究院);National Engineering Laboratory for Big Data System Computing Technology, Shenzhen University(深圳大学国家大数据系统计算技术工程实验室);Guangdong Provincial Key Laboratory of Intelligent Information Processing(广东省智能信息处理重点实验室)
本文提出HairDiffusion,利用LDMs和Multi-stage Hairstyle Blend分离头发颜色与发型控制,结合warping模块与微调CLIP,实现高质量多色头发编辑并保留面部属性。
2024-10-29 cs.CV
StyleGAN Salon: Multi-View Latent Optimization for Pose-Invariant Hairstyle Transfer
VISTEC;Phranakhon Rajabhat University(帕纳空皇家大学)
本文提出 StyleGAN Salon 多视图潜空间优化框架,利用参考合成图的两个视图引导遮挡区域,在更具挑战性的姿态不变发型迁移中保持身份与脸型并优于已有方法。
2023-06-02 cs.CV
Im2Haircut: Single-view Strand-based Hair Reconstruction for Human Avatars
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);ETH Zürich(苏黎世联邦理工学院);Technical University of Darmstadt(德累斯顿技术大学)
针对单视角头发重建缺乏真值、现有方法依赖有限合成先验的问题,提出结合真实与合成数据训练transformer发型先验、基于高斯溅射的Im2Haircut方法,在发丝细节、轮廓等方面性能更优。
2025-09-01 cs.CV
Beard Segmentation and Recognition Bias
University of Notre Dame(圣母大学)
针对面部毛发影响人脸识别准确率的问题,提出细粒度胡须分割模型及基于面部发型相似度的自适应阈值方法,显著降低不同胡须类别间的错误匹配率偏差。
2023-08-30 cs.CV
Unsupervised 3D Braided Hair Reconstruction from a Single-View Image
Carnegie Mellon University(卡内基梅隆大学)
本文提出一种从单视图RGB图像无监督重建3D辫状头发的新流水线,利用受辫子理论启发的合成模型捕捉复杂交织结构,在准确性、真实感和效率上优于现有方法。
2025-06-29 cs.CV
HairFastGAN: Realistic and Robust Hair Transfer with a Fast Encoder-Based Approach
HSE University(高等经济大学);Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究所);AIRI(人工智能研究院);Constructor University(康斯特大学)
提出HairFast模型,通过FS潜空间架构和增强编码器,实现快速、高质量、姿态鲁棒的发型迁移,性能优于优化方法。
2024-05-25 cs.CV
LOHO: Latent Optimization of Hairstyles via Orthogonalization
University of Toronto(多伦多大学);Modiface Inc.(Modiface公司);University of Guelph(圭尔夫大学);Vector Institute(矢量研究所)
由于源头发和目标头发的头发结构差异,发型转移具有挑战性。因此,我们提出了潜在的优化发型通过优化(LOHO),一种基于优化的方法,使用GAN反演填充丢失的头发结构细节在潜在的空间在发型转移。我们的方法将头发分解为三个属性:感知结构,外观和风格,并包括量身定制的损失,以独立地对这些属性中的每一个进行建模。此外,我们提出了两个阶段的优化和梯度正交化,使解开潜在空间优化我们的头发属性。使用LOHO进行潜在空间操作,用户可以通过单独或联合操作头发属性,从参考发型中转移所需的属性来合成新颖的真实感图像。LOHO实现了一个优越的FID相比,目前国家的最先进的(SOTA)的发型转移。此外,LOHO根据PSNR和SSIM与SOTA图像嵌入管道相比,很好地保留了主体的身份。代码可在https://github.com/dukebw/LOHO上获得。
2021-03-10 cs.CV cs.LG
CHARM: Control-point-based 3D Anime Hairstyle Auto-Regressive Modeling
Tsinghua University(清华大学);Tencent AIPD(腾讯AIPD)
CHARM提出基于控制点的紧凑参数化表示和自回归生成框架,用于从图像或点云高效创建高保真动漫发型,并构建37K数据集,实现最先进的生成质量。
2025-09-25 cs.CV cs.GR
DiffLocks: Generating 3D Hair from a Single Image using Diffusion Models
Meshcapade;Zhejiang University(浙江大学);Stanford University(斯坦福大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
DiffLocks通过构建含4万发型的最大合成数据集并训练图像条件扩散变换器,首次实现从单张图像直接重建包括非洲式卷发在内的多样化精细三维发丝。
2025-05-09 cs.CV
Stable-Hair: Real-World Hair Transfer via Diffusion Model
Shanghai Jiao Tong University(上海交通大学);Tiamat AI;Ocean University of China(中国海洋大学);National University of Singapore(新加坡国立大学);Peking University(北京大学);Shenyang Institute of Automation Chinese Academy of Sciences(中国科学院沈阳自动化研究所)
针对真实世界复杂发型迁移难题,本文提出两阶段扩散框架 Stable-Hair,通过 Bald Converter、Hair Extractor、Latent IdentityNet 与 Latent ControlNet 实现高细节、高保真且保持身份背景的虚拟试发。
2024-12-10 cs.CV
HAAR: Text-Conditioned Generative Model of 3D Strand-based Human Hairstyles
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);ETH Zürich(苏黎世联邦理工学院);Technical University of Darmstadt(达姆施塔特工业大学)
针对现有2D先验的3D发型生成方法仅能重建可见外壳、无法用于物理渲染的问题,提出HAAR文本引导3D发丝级发型生成模型,通过VQA自动标注合成发型训练UV空间潜在扩散模型,可生成生产级3D发型资产。
2023-12-18 cs.CV cs.GR
A Local Appearance Model for Volumetric Capture of Diverse Hairstyle
Carnegie Mellon University(卡内基梅隆大学);Reality Labs Research(现实实验室研究部)
针对现有虚拟化身头发建模泛化性差的问题,提出基于局部基元的通用头发外观先验模型,可处理多样发型拓扑,在捕获生成带完整头发的高保真化身方面性能优于现有最优方法。
2023-12-14 cs.AI cs.CV cs.GR
HairGPT: Strand-as-Language Autoregressive Modeling for Realistic 3D Hairstyle Synthesis
ShanghaiTech University(上海科技大学);ShanghaiTech University and Deemos Technology Co., Ltd.(上海科技大学和Deemos技术有限公司);Deemos Technology Co., Ltd.(Deemos技术有限公司)
HairGPT通过发丝为中心的框架,将发型合成转化为双解耦的自回归序列建模问题,实现结构和语义的解耦,支持复杂发型合成与风格化领域适应。
2026-05-09 cs.CV cs.GR
HairShifter: Consistent and High-Fidelity Video Hair Transfer via Anchor-Guided Animation
Xiamen University(厦门大学);Microsoft Research Asia(微软亚洲研究院)
本文提出 HairShifter 框架,通过“锚点帧 + 动画”策略结合图像发型迁移模块与多尺度门控 SPADE 解码器,实现高保真且时间一致的视频发型迁移。
2025-07-17 cs.CV
HairFlow: Modeling 3D Hair Strands with Multi-Modal Conditioned Diffusion
Shanghai Jiao Tong University(上海交通大学);LIGHTSPEED
HairFlow是一种多模态条件扩散框架,通过结合Orientation VAE与条件扩散变换器,生成符合输入条件的3D发丝,提升了建模效率与可控性。
2026-10-14 cs.CV
Towards Unified 3D Hair Reconstruction from Single-View Portraits
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Kuaishou Technology(快手科技)
提出一种基于统一流程的单视图3D头发重建方法,通过构建合成多视图数据集学习扩散先验,并结合逐视图和逐像素高斯细化模块,实现了对编织和非编织等多种复杂发型的最先进重建,且对真实图像泛化良好。
2024-09-25 cs.CV
DGH: Dynamic Gaussian Hair
University of Southern California(南加州大学);Meta Reality Labs(Meta现实实验室)
DGH通过数据驱动的方法高效学习头发的动力学和外观,实现逼真可动画的头发效果,为高保真虚拟人物建模提供新的解决方案。
2025-12-18 cs.CV
HairCS: Reconstructing Strand-Based Hair from Hair Cards
University of Utah(犹他大学);LIGHTSPEED(光速工作室);UCLA(加州大学洛杉矶分校)
本文提出HairCS自动化流程,将发卡模型转换为高质量基于发丝的发型,保留原始风格并丰富细节,兼容渲染、模拟和造型修改器,在多种发型上验证有效。
2026-09-16 cs.CV cs.GR
HairFormer: Transformer-Based Dynamic Neural Hair Simulation
Cornell University(康奈尔大学)
HairFormer提出首个基于Transformer的两阶段神经头发仿真方法,通过静态网络预测任意发型的垂坠形状,并利用交叉注意力动态网络融合静态特征与运动输入,实现实时、高保真且可泛化的动态头发仿真。
2025-07-16 cs.CV cs.GR
Stable-Hair v2: Real-World Hair Transfer via Multiple-View Diffusion Model
Institute of Information Science, Beijing Jiaotong University(北京交通大学信息科学学院);School of Computer Science, Ocean University of China(中国海洋大学计算机学院);Department of Computer Science and Engineering, The Chinese University of Hong Kong(香港中文大学计算机科学与工程系);Artificial Intelligence department, Tiamat AI(Tiamat AI人工智能部门);Department of Information Engineering and Computer Science (DISI), University of Trento(特伦托大学信息工程与计算机科学系)
本文提出Stable-Hair v2,首个基于多视角扩散模型的头发迁移框架,通过创新的数据生成流程和多阶段训练策略,实现了跨视角的高保真、一致且逼真的发型迁移。
2025-07-10 cs.CV
HairPort: In-context 3D-aware Hair Import and Transfer for Images
Simon Fraser University(西蒙菲莎大学);Huawei Canada(华为加拿大)
提出HairPort框架,通过显式分离发型移除与迁移,并利用3D感知管道实现大姿态差异下的发型迁移,结合LoRA适配的秃头转换器和条件流匹配生成器,实现高质量、身份保持的发型迁移。
2026-07-21 cs.CV cs.GR
Human Hair Reconstruction with Strand-Aligned 3D Gaussians
ETH Zürich(苏黎世联邦理工学院);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Meta;Technical University of Darmstadt(达姆施塔特工业大学)
本文提出一种名为Gaussian Haircut的头发建模方法,结合经典发丝和3D高斯的双重表示,从多视图数据生成可直接用于图形引擎的准确真实发丝重建,在合成与真实场景中达到SOTA性能。
2024-09-23 cs.CV cs.GR
Efficient Hair Style Transfer with Generative Adversarial Networks
University of Ege(爱琴海大学);Syntonym;Huawei(华为)
尽管最近使用生成对抗网络(GANs)成功地实现了图像生成和风格转移,但由于人类头发在野外条件下的形状和风格可变性,头发合成和风格转移仍然具有挑战性。目前最先进的头发合成方法难以保持目标风格的全局组成,并且由于其在高分辨率肖像图像上的高运行成本而不能用于实时应用。因此,我们提出了一种新的发型转移方法,称为EHGAN,它降低了计算成本,使实时处理,同时提高了发型的转移与更好的全局结构相比,其他国家的最先进的头发合成方法。为了实现这一目标,我们训练编码器和低分辨率生成器来传输发型,然后使用预训练的超分辨率模型来提高结果的分辨率。我们利用自适应实例规范化(AdaIN)和设计我们的新的头发混合块(HBB),以获得最佳性能的生成器。EHGAN所需的时间消耗分别比最先进的EHGAN和LOHO方法少约2.7倍和超过10,000倍,同时获得比竞争对手更好的照片真实感和结构相似性。
2022-10-22 cs.CV eess.IV
TANGLED: Generating 3D Hair Strands from Images with Arbitrary Styles and Viewpoints
ShanghaiTech University(上海科技大学);Deemos Technology(Deemos科技公司);Huazhong University of Science and Technology(华中科技大学)
针对现有方法难以处理多样风格发型的问题,提出TANGLED方法,通过MultiHair数据集、多视图线条画条件扩散框架及辫子约束后处理模块,实现从任意风格和视角图像生成3D发丝,提升模型泛化性与应用价值。
2025-02-10 cs.CV cs.GR
Intuitive, Interactive Beard and Hair Synthesis with Generative Models
University of Southern California(南加州大学);USC ICT(南加州大学创新技术研究院);Adobe Inc.(奥多比公司);miHoYo(米哈游);ByteDance Research(字节跳动研究院);Tencent America(腾讯美国);Pinscreen Inc.(Pinscreen公司)
我们提出了一种交互式的方法来合成图像中面部毛发的逼真变化,从微妙的编辑到现有的毛发,再到在刮胡子的对象的图像中添加复杂和具有挑战性的毛发。为了避免繁琐和计算昂贵的任务的建模,渲染和合成的3D几何形状的目标发型使用传统的图形管道,我们采用了神经网络管道,合成逼真的和详细的面部毛发的图像直接在目标图像在一秒钟内。该合成由来自用户的简单且稀疏的引导笔划控制,该引导笔划定义目标发型的一般结构和颜色属性。我们定性和定量评估我们选择的方法相比,几种替代方法。我们展示了引人注目的交互式编辑结果与原型用户界面,允许新手用户逐步完善生成的图像,以匹配他们想要的发型,并证明我们的方法也允许灵活和高保真的头皮头发合成。
2020-04-15 cs.CV cs.GR cs.HC
Neuralocks: Real-Time Dynamic Neural Hair Simulation
Meta Reality Labs(Meta现实实验室)
针对现有神经头发模拟局限于准静态的问题,本文提出完全自监督的Neuralocks方法,在发丝级别实现高效稳定的实时动态模拟,无需人工训练数据且性能优于现有方法,可集成于化身重建的端到端流程。
2025-07-07 cs.CV cs.GR
Text-Guided Generation and Editing of Compositional 3D Avatars
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);ETH Zürich(苏黎世联邦理工学院);Tsinghua University(清华大学);RWTH Aachen University(亚琛工业大学)
提出组合式3D虚拟形象生成与编辑方法TECA,结合3D网格与NeRF分别表示面部与毛发配饰,实现高真实感且支持发型等特征迁移编辑。
2023-09-13 cs.CV
EfficientMonoHair: Fast Strand-Level Reconstruction from Monocular Video via Multi-View Direction Fusion
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本文提出EfficientMonoHair框架,结合隐式神经网络与多视图几何融合,实现单目视频中高效准确的发束重建,通过融合补丁多视图优化和并行发生长策略提升效率与鲁棒性。
2026-04-07 cs.CV cs.GR
HairCUP: Hair Compositional Universal Prior for 3D Gaussian Avatars
Seoul National University(首尔大学);Meta
本文提出HairCUP,通过合成无发数据与配对训练分别学习面部和头发先验,实现身份保持的组件交换及少样本单目高保真3D头像生成。
2025-07-25 cs.CV
Instance-level Sketch-based Retrieval by Deep Triplet Classification Siamese Network
素描作为一种有效的交际工具,被用来表达事物的抽象和直观的意义。手绘草图的识别在许多实际应用中是非常有用的。虽然基于内容的草图识别已经研究了几十年,基于草图的图像检索(SBIR)任务的实例级最近引起了显着的研究关注。现有的数据集,如QMUL-Chair和QMUL-Shoe,专注于椅子和鞋子的检索任务。然而,在以前的实例级SBIR工作中有几个关键的限制。最先进的作品在很大程度上依赖于预训练过程,边缘图的质量,多重裁剪测试策略,以及增强草图图像。为了有效地解决实例级SBIR,我们提出了一种新的深度三元组分类连体网络(DeepTCNet),该网络采用DenseNet-169作为基本特征提取器,并通过三元组损失和分类损失进行了优化。关键是,我们提出的DeepTCNet可以打破以前作品中存在的局限性。在五个基准草图数据集上的实验验证了该模型的有效性。此外,为了研究基于草图的发型检索任务,本文提出了一个新的实例级照片-草图数据集- Hairstyle Photo-Sketch数据集,它由3600张草图和照片以及2400个草图-照片对组成。
2019-05-25 cs.CV
A Large-scale Evaluation of Text-guided Models for Facial Editing
Arizona State University(亚利桑那州立大学);Prelight Inc(普雷莱特公司)
本研究对6种文本引导模型开展首次大规模人脸编辑评估,构建含169个属性的Face-Edit-Attributes数据集,发现多数模型头发配饰编辑表现好但姿态编辑差,存在过度编辑及针对深色皮肤男性和老年面孔的偏差。
2026-09-01 cs.AI cs.CV
HairCLIPv2: Unifying Hair Editing via Proxy Feature Blending
University of Science and Technology of China(中国科学技术大学);Microsoft Cloud AI(微软云人工智能部门);City University of Hong Kong(香港城市大学);Xi’an Jiaotong University(西安交通大学)
HairCLIPv2通过统一框架将头发编辑任务转化为代理特征混合的迁移任务,支持文本、参考图、草图及掩码交互,提升编辑效果与属性保留。
2023-10-16 cs.CV cs.GR
PP-GAN : Style Transfer from Korean Portraits to ID Photos Using Landmark Extractor with GAN
Kumoh National Institute of Technology(金乌国立工科大学)
提出PP-GAN,利用地标提取器和生成对抗网络,在保留面部身份的同时将韩国肖像中的“Gat”头饰等风格迁移至证件照,性能优于先前方法。
2023-06-23 cs.CV
MeGA: Hybrid Mesh-Gaussian Head Avatar for High-Fidelity Rendering and Head Editing
Tsinghua University(清华大学);Tencent(腾讯);Technical University of Munich(慕尼黑技术大学);Carnegie Mellon University(卡内基梅隆大学)
MeGA通过混合网格和高斯表示,实现高保真头像渲染与编辑,提升面部和头发的细节与真实感。
2026-02-19 cs.CV