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
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
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
Neural Strands: Learning Hair Geometry and Appearance from Multi-View Images
University of Bonn（波恩大学）；Reality Labs Research（现实实验室研究部）；Carnegie Mellon University（卡内基梅隆大学）
我们提出了神经链，一种新的学习框架，用于从多视图图像输入中建模精确的头发几何形状和外观。学习的头发模型可以从任何视点实时渲染，具有高保真的视图相关效果。我们的模型实现了直观的形状和风格的控制，不像体积的同行。为了使这些属性，我们提出了一种新的头发表示神经头皮纹理编码的几何形状和外观的各个股在每个纹素位置的基础上。此外，我们介绍了一种新的神经渲染框架的基础上光栅化的学习头发束。我们的神经渲染是股准确和抗锯齿，使渲染视图一致和照片级逼真。将外观与多视图几何先验相结合，我们第一次能够从多视图设置中联合学习外观和显式头发几何。我们证明了我们的方法在各种发型的保真度和效率方面的功效。
2022-07-28 cs.CV cs.GR
PanoHair: Detailed Hair Strand Synthesis on Volumetric Heads
CVIG Lab Indian Institute of Technology Gandhinagar India（CVIG实验室 印度理工学院甘地纳加尔）
PanoHair通过知识蒸馏估计头部几何，生成语义与方向图，并在5秒内合成高质量发丝，简化了多视角采集流程。
2025-08-26 cs.CV cs.GR
Wispy to Voluminous: Prior-free Multi-view Capture of Strand-level Facial Hair
KAIST（韩国科学技术院）；Meta Codec Avatar Lab（Meta 编码人像实验室）；Meta Reality Labs Research（Meta现实实验室）
提出从多视角图像自动重建面部毛发（胡须、眉毛等）的管线，将无结构3D高斯表示转换为显式曲线发丝，解决几何歧义，实现高保真发丝重建。
2026-06-06 cs.CV cs.GR
Dr.Hair: Reconstructing Scalp-Connected Hair Strands without Pre-training via Differentiable Rendering of Line Segments
Huawei Technologies Japan K.K.（华为技术日本公司）；Keio University（庆应义塾大学）
本文提出Dr.Hair方法，通过线段可微渲染和全局优化、拉普拉斯方程初始化及重参数化，在无需预训练的情况下从表面图像稳健重建连接头皮的发丝，并显著提升处理速度。
2024-03-29 cs.CV cs.GR
HairLRM: Strand-based Hair Modeling via Large Reconstruction Models
LIGHTSPEED Shenzhen China（LIGHTSPEED深圳中国）；State Key Lab of CAD and CG, Zhejiang University Hangzhou China（计算机辅助设计与图形学国家重点实验室，浙江大学杭州中国）；Hong Kong Baptist University Hong Kong China（香港 Baptist大学香港中国）；LIGHTSPEED Los Angeles CA USA (2026)（LIGHTSPEED洛杉矶CA美国（2026））
针对传统发丝建模从2D图像推断3D结构的不适定性问题，提出结合大型重建模型的几何先验，利用双方向自编码器将粗几何提升为高保真发丝，通过潜在空间优化和表面引导细化解决矢量场奇点，实现鲁棒且精确的发丝重建。
2026-06-16 cs.CV cs.GR
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
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
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
StrandHead: Text to Hair-Disentangled 3D Head Avatars Using Human-Centric Priors
Nanjing University（南京大学）
StrandHead通过人类中心先验生成逼真3D头发并实现解耦头像建模，达到文本到发束生成的最新水平。
2026-02-14 cs.CV
Detangled: A Framework for Creating, Editing, and Inferencing Feature Rich Hair Strands
Stanford University（斯坦福大学）
该研究提出用于理解和生成丰富特征发丝的框架，构建五维参数空间，用新方法分离发丝纹理与整体方向，通过生成式AI创建符合纹理描述的新发丝，可用于造型编辑并展示了多种发型结果。
2026-07-14 cs.CV
GeomHair: Reconstruction of Hair Strands from Colorless 3D Scans
Technical University of Munich（慕尼黑技术大学）；ETH Zürich（苏黎世联邦理工学院）；Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所）
本文提出一种从无色3D扫描直接重建发丝的方法，通过多模态发丝方向提取，结合神经网络2D线检测器和扩散先验，构建了Strands400数据集，支持下游任务和CG工作流。
2026-05-13 cs.CV
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
NeuralHDHair: Automatic High-fidelity Hair Modeling from a Single Image Using Implicit Neural Representations
ETH Zurich（苏黎世联邦理工学院）；City University of Hong Kong（香港城市大学）；Zhejiang University（浙江大学）
毫无疑问，高保真3D头发在数字人类中扮演着不可或缺的角色。然而，现有的单目毛发建模方法要么难以部署在数字系统中（例如，由于它们依赖于复杂的用户交互或大型数据库）或者只能产生粗略的几何形状。在本文中，我们介绍了NeuralHDHair，一个灵活的，全自动的系统，从一个单一的图像建模高保真头发。我们的系统的关键使能器是两个精心设计的神经网络：IRHairNet（使用神经网络的头发隐式表示），用于分层推断高保真3D头发几何特征（3D方向场和3D占用场）和GrowingNet（使用神经网络生长头发束），以有效地并行生成3D头发束。具体来说，我们执行一个由粗到细的方式，并提出了一种新的体素对齐的隐式函数（VIFu）来表示全球的头发特征，这是进一步增强的局部细节提取的头发亮度图。为了提高传统毛发生长算法的效率，我们采用局部神经隐函数来根据估计的3D毛发几何特征来生长毛发。大量的实验表明，我们的方法是能够从一个单一的图像构建一个高保真的三维头发模型，既高效和有效的，并达到了最先进的性能。
2022-05-09 cs.CV cs.GR
GaussianHair: Hair Modeling and Rendering with Light-aware Gaussians
ShanghaiTech University（上海科技大学）；LumiAni Technology（LumiAni科技）；Deemos Technology（Deemos科技）；Huazhong University of Science and Technology（华中科技大学）
提出GaussianHair显式头发表示方法，将发丝建模为相连的圆柱形3D高斯基元并结合GaussianHair Scattering Model，实现了高保真几何与外观重建，支持编辑、重照明与动态渲染。
2024-02-16 cs.CV cs.GR
HairStep: Transfer Synthetic to Real Using Strand and Depth Maps for Single-View 3D Hair Modeling
CUHKSZ（香港中文大学（深圳））；Kuaishou Technology（快手科技）
在这项工作中，我们解决了基于学习的单视图3D头发建模的挑战性问题。由于采集成对的真实图像和三维毛发数据的难度很大，利用合成数据为真实域提供先验知识成为一种主流解决方案。不幸的是，这引入了域差距的挑战。由于真实感头发渲染的固有困难，现有方法通常使用方向图而不是头发图像作为输入来弥合差距。我们坚定地认为一个中间表示是必不可少的，但我们认为，方向图使用占主导地位的基于过滤的方法是敏感的不确定的噪音，远远不能胜任的表示。因此，我们首先提出这个问题，并提出了一种新的中间表示，称为HairStep，它由一个链图和一个深度图。结果表明，HairStep不仅为精确的三维头发建模提供了足够的信息，而且可以从真实图像中推断出头发的形状。具体来说，我们收集了一个包含1,250张肖像图像的数据集，其中包含两种类型的注释。进一步设计了一个学习框架，将真实图像转换为链图和深度图。值得注意的是，我们的新数据集的额外好处是3D头发建模的第一个定量指标。我们的实验表明，HairStep缩小了合成和真实之间的域差距，并在单视图3D头发重建上实现了最先进的性能。
2023-03-24 cs.CV
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
HairOrbit: Multi-view Aware 3D Hair Modeling from Single Portraits
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；SSE, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）理工学院）；Pinscreen
本文提出HairOrbit框架，利用视频生成模型的3D先验知识，将单视角毛发重建转化为校准的多视角重建任务，并设计两阶段毛发生长算法，实现高质量的3D毛发合成。
2026-04-03 cs.CV
Perm: A Parametric Representation for Multi-Style 3D Hair Modeling
Yale University（耶鲁大学）；Adobe Research（Adobe研究）；Kiel University（基尔大学）；KAUST（王国学术科技研究理事会）；NJUST（南京理工大学）
本研究提出名为Perm的3D头发参数化表示，通过频域基于PCA的发丝表示解耦全局结构与局部卷曲，分解为引导纹理和残差纹理并分别参数化，验证后作为通用先验在多项头发相关任务中展现出灵活性与优越性。
2025-05-19 cs.CV cs.GR
SimAvatar: Simulation-Ready Avatars with Layered Hair and Clothing
NVIDIA（英伟达）
本文提出SimAvatar框架，通过两阶段方法结合3D高斯与仿真就绪的头发发丝和服装网格，从文本提示生成具有生动纹理和逼真动态运动的完全仿真就绪3D穿衣人体虚拟人。
2024-12-19 cs.CV cs.GR cs.LG
Video to Fully Automatic 3D Hair Model
University of Washington（华盛顿大学）；Owlii
想象一下，用你的手机拍摄一段自拍视频，然后输出你头部的3D模型（面部和3D头发），这些模型以后可以用于VR、AR和任何其他领域。最先进的头发重建方法允许拍摄单张照片（从而影响3D质量）或多个视图，但它们需要手动用户交互（手动头发分割和捕获跨越全360度的固定相机视图）。在本文中，我们描述了一个可以完全自动地从任何视频（甚至是自拍视频）创建重建的系统，并且我们不需要特定的视图，因为在自拍拍摄中拍摄-90度，90度和全后视图是不可行的。在我们的系统的核心中，除了自动化组件之外，头发束在3D（而不是现有技术中的2D）中被估计和变形，从而实现优异的结果。我们提供了定性，定量和机械土耳其人的研究，支持所提出的系统，并显示各种各样的视频（8个不同的名人视频，9个自拍手机视频，跨越年龄，性别，头发长度，类型和造型）的结果。
2018-09-13 cs.CV cs.GR
Real-Time Neural Hair G-Buffer Anti-Aliasing
University of Manchester（曼彻斯特大学）
本文提出了一种轻量级的实时方法，用于从严重欠采样的光栅化输入中重建基于丝状的头发G-Buffers。方法首先应用神经空间重建和时间累积来恢复头发覆盖，即像素内的分数头发可见性及切线向量，然后利用切线引导的重建步骤完成位置信息，随后用于基于物理的延迟头发着色。在多种发型和静态/动态场景下评估了该方法，其头发重建质量优于现有专门针对头发的去噪技术以及通用工业神经重建解决方案如DLSS和FSR。
2026-09-01 cs.CV cs.GR
FurE: Efficient Instance-Specific 3D Fur Reconstruction without Animal-Fur Datasets
Johns Hopkins University（约翰霍普金斯大学）
FurE提出一种基于发丝的高效动物毛发重建方法，利用PCA解码器和根条件潜在场，无需动物毛发数据集，实现10倍训练加速并保持保真度。
2026-09-29 cs.AI cs.CV cs.GR
PVA: Pixel-aligned Volumetric Avatars
Georgia Institute of Technology（佐治亚理工学院）；Facebook Reality Labs（Facebook现实实验室）
真实感人头的获取和绘制是虚拟临场感领域中一个极具挑战性的研究课题。目前，最高质量是通过在多视图数据上以个人特定方式训练的体积方法来实现的。与更简单的基于网格的模型相比，这些模型更好地表示精细结构，例如头发。体积模型通常采用全局代码来表示面部表情，使得它们可以由一小组动画参数驱动。虽然此类架构实现了令人印象深刻的渲染质量，但它们无法轻易扩展到多身份设置。在本文中，我们设计了一种新的方法来预测体积化身的人的头部只给出了少量的输入。我们通过一种新的参数化方法实现了跨身份的泛化，该参数化方法将神经辐射场与直接从输入中提取的局部像素对齐特征相结合，从而避免了对非常深或复杂网络的需求。我们的方法是在一个端到端的方式训练完全基于光度重新渲染损失，而不需要明确的3D supervisory.We证明，我们的方法优于现有的最先进的质量方面，并能够在多身份设置生成忠实的面部表情。
2021-01-07 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
HVH: Learning a Hybrid Neural Volumetric Representation for Dynamic Hair Performance Capture
Carnegie Mellon University（卡内基梅隆大学）；Reality Labs Research（现实实验室研究院）；Meta AI
由于头发具有精细的几何结构、复杂的物理交互和非平凡的视觉外观，因此捕捉和渲染逼真的头发尤其具有挑战性。然而，头发是可信化身的关键组成部分。在本文中，我们解决了上述问题：1）我们使用了一种新的，体积的头发表示，是由数千个图元。每一个基本元素都可以通过建立在神经渲染的最新进展上来高效而逼真地渲染。2)为了有一个可靠的控制信号，我们提出了一种新的方法来跟踪头发的水平。为了使计算工作易于管理，我们使用引导头发和经典技术将其扩展为浓密的头发。3)为了更好地加强我们的模型的时间一致性和泛化能力，我们进一步优化我们的表示与多视图光流的三维场景流，使用体积光线推进。我们的方法不仅可以创建记录的多视图序列的逼真渲染，但也创建渲染新的头发配置通过提供新的控制信号。我们比较我们的方法与现有的工作视点合成和可驱动的动画，并达到国家的最先进的结果。请访问我们的项目网站https://ziyanw1.github.io/hvh/。
2021-12-19 cs.CV cs.GR
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
Style Your Hair: Latent Optimization for Pose-Invariant Hairstyle Transfer via Local-Style-Aware Hair Alignment
Korea Advanced Institute of Science and Technology（韩国科学技术院）
由于发型的复杂性和微妙性，编辑发型是独特而具有挑战性的。虽然最近的方法显着改善了头发的细节，这些模型往往会产生不希望的输出时，源图像的姿态是相当不同的目标头发图像，限制了他们的现实世界的应用。HairFIT是一种姿态不变的发型转移模型，它克服了这一限制，但在保持精致的头发纹理方面仍然表现出令人不满意的质量。为了解决这些限制，我们提出了一个高性能的姿态不变发型转移模型，该模型配备了潜在优化和新提出的局部风格匹配损失。在StyleGAN2潜在空间中，我们首先探索目标头发的姿势对齐的潜在代码，并基于局部风格匹配保留详细的纹理。然后，我们的模型考虑对齐的目标头发对源的遮挡进行修补，并混合两个图像以产生最终输出。实验结果表明，我们的模型具有优势，在更大的姿势差异下转移发型和保持局部发型纹理。
2022-08-16 cs.CV
FHAvatar: Fast and High-Fidelity Reconstruction of Face-and-Hair Composable 3D Head Avatar from Few Casual Captures
Alibaba Group（阿里巴巴集团）；Shanghai Jiao Tong University（上海交通大学）
FHAvatar提出一种新型框架，通过分离面部和头发表示，实现从任意数量视角高效重建3D高斯虚拟角色，支持实时动画和风格化编辑。
2026-03-24 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
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
Real-Time Human Reconstruction and Animation using Feed-Forward Gaussian Splatting
IIIT Hyderabad（国际信息技术学院海得拉巴）；IISER Thiruvananthapuram（印度科学教育与研究学院蒂鲁文南特布勒姆）
本文提出一种通用的前馈高斯点划框架，用于实时人体3D重建与动画，直接处理多视角RGB图像及其关联的SMPL-X姿态，通过预测与SMPL-X顶点关联的3D高斯点，实现高效动画生成。
2026-07-24 cs.CV cs.GR
A Text-to-3D Framework for Joint Generation of CG-Ready Humans and Compatible Garments
本文提出Tailor框架，通过语义解析、几何感知服装生成和一致纹理合成，实现高保真定制3D人像和物理兼容服装，优于现有方法。
2026-01-19 cs.CV cs.GR
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
MonoHair: High-Fidelity Hair Modeling from a Monocular Video
Zhejiang University（浙江大学）；ETH Zurich（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）；City University of Hong Kong（香港城市大学）；Hong Kong University of Science and Technology（香港科技大学）
本文提出MonoHair框架，通过外部重建与内部推断两阶段方法，从单目视频实现高保真3D头发建模，有效解决了细节丢失与捕捉条件受限问题。
2024-03-27 cs.CV
PhysHead: Simulation-Ready Gaussian Head 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）；University of Tübingen（图宾根大学）；Technical University of Darmstadt（达姆施塔特工业大学）；Tübingen AI Center（图宾根人工智能中心）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
本文提出PhysHead，一种结合3D参数网格和发丝的混合表示方法，用于生成具有真实发丝动态的可动画头部化身，通过多视角视频学习实现逼真发丝运动。
2026-04-07 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
Structured 3D Features for Reconstructing Controllable Avatars
Google Research（谷歌研究院）
本文提出结构化3D特征（S3F），通过基于参数化人体网格的隐式3D表示和3D transformer注意力框架，从单张图像端到端重建可驱动、可重光照的3D化身，并支持多图输入与虚拟试穿编辑。
2023-04-15 cs.CV
NeuralFur: Animal Fur Reconstruction From Multi-View Images
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）；University of Tübingen（图宾根大学）
NeuralFur通过视觉语言模型指导多视角图像重建，实现不同动物的高保真3D毛发建模。
2026-01-18 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
i3DMM: Deep Implicit 3D Morphable Model of Human Heads
TU Munich（慕尼黑工业大学）；MPI Informatics（马克斯·普朗克信息学研究所）
我们提出了第一个深度隐式三维变形模型（i3DMM）的完整的头部。与早期的可变形人脸模型不同，它不仅捕捉了特定于身份的几何形状、纹理和正面表情，还对整个头部（包括头发）进行了建模。我们收集了一个新的数据集，由64个不同表情和发型的人组成，训练i3DMM。我们的方法具有以下优点：（i）它是第一个包括头发的完整头部变形模型。(ii)与基于网格的模型相比，它可以仅在刚性对齐的扫描上进行训练，而不需要困难的非刚性配准。(iii)我们设计了一种新的架构，解耦的形状模型成一个隐式的参考形状和变形的参考形状。这样，形状之间的密集对应关系就可以隐式地学习了。(iv)这种架构允许我们在语义上解开几何和颜色组件，因为颜色是在参考空间中学习的。几何被进一步分解为身份，表情和发型，而颜色被分解为身份和发型组件。我们展示了i3DMM使用消融研究的优点，与最先进的模型的比较，以及语义头编辑和纹理传输等应用。我们将公开我们的模型。
2020-11-28 cs.CV cs.GR cs.LG
Multi-hypotheses Conditioned Point Cloud Diffusion for 3D Human Reconstruction from Occluded Images
KAIST（韩国科学技术院）
针对遮挡下单张RGB图像三维人体重建的参数模型对齐差、遮挡修复难问题，提出多假设条件点云扩散方法MHCDIFF，通过聚合多假设SMPL(-X)特征引导扩散，在多数据集上超越现有SOTA方法。
2024-10-29 cs.AI cs.CV cs.LG
PIFu: Pixel-Aligned Implicit Function for High-Resolution Clothed Human Digitization
University of Southern California（南加州大学）；USC Institute for Creative Technologies（南加州大学创意技术研究所）；Waseda University（早稻田大学）；University of California, Berkeley（加州大学伯克利分校）；Pinscreen
我们引入像素对齐隐式函数（PIFu），这是一种高效的隐式表示，它将2D图像的像素与其对应的3D对象的全局上下文局部对齐。使用PIFU，我们提出了一种端到端的深度学习方法，用于数字化高度详细的穿着人类，可以从单个图像和可选的多个输入图像中推断出3D表面和纹理。高度复杂的形状，如发型，服装，以及它们的变化和变形可以以统一的方式数字化。与用于3D深度学习的现有表示相比，PIFu可以生成高分辨率的表面，包括大部分不可见的区域，例如人的背部。特别是，它是内存效率不同的体素表示，可以处理任意的拓扑结构，并得到的表面与输入图像在空间上对齐。此外，虽然先前的技术被设计为处理单个图像或多个视图，但PIFu自然地扩展到任意数量的视图。我们展示了来自DeepFashion数据集的真实世界图像的高分辨率和鲁棒性重建，该数据集包含各种具有挑战性的服装类型。我们的方法在公共基准上实现了最先进的性能，并且优于先前从单个图像中进行穿着人体数字化的工作。
2019-12-03 cs.CV cs.GR
PANDA: Pose Aligned Networks for Deep Attribute Modeling
Facebook AI Research（Facebook人工智能研究院）；UC Berkeley（加州大学伯克利分校）
我们提出了一种方法来推断人的属性（如性别，发型，服装风格，表情，动作）从人的图像下的大变化的观点，姿势，外观，清晰度和遮挡。卷积神经网络（CNN）已被证明在大规模对象识别问题上表现得非常好。然而，在属性分类的上下文中，信号往往是微妙的，它可能只覆盖图像的一小部分，而图像是由姿势和视点的影响占主导地位。对姿态变化的折扣将需要在目前不可用的非常大的标记数据集上进行训练。基于部件的模型，如possible和passive，已经被证明可以很好地解决这个问题，但它们受到浅层低级特征的限制。我们提出了一种新的方法，通过训练姿势归一化的CNN，将基于部件的模型和深度学习相结合。我们在无约束环境中对具有挑战性的属性分类任务进行了大量改进。实验证实，我们的方法在这个问题上优于最好的基于部分的方法，也优于在人的完整限界框上训练的传统CNN。
2014-05-05 cs.CV
EMS: 3D Eyebrow Modeling from Single-view Images
CUHKSZ（香港中文大学（深圳））；The University of Hong Kong（香港大学）
本文提出首个基于学习的单视图三维眉毛重建框架 EMS，通过根部定位、方向场预测和生长终止三个模块将眉毛表示为纤维曲线，并构建了首个三维合成眉毛数据集以验证其有效性。
2023-09-22 cs.CV cs.GR
Human Pose Transfer by Adaptive Hierarchical Deformation
Tianjin University（天津大学）
人体姿态转换作为一种错位图像生成任务，具有很大的挑战性。现有的方法不能有效地利用输入的信息，往往不能保持头发和衣服的风格和形状。在本文中，我们提出了一个自适应的人体姿势转移网络与两个层次的变形水平。第一级生成与目标姿态对准的人类语义解析，并且第二级生成具有语义指导的目标姿态中的最终纹理化的人图像。为了避免香草卷积的缺点，把所有的像素作为有效信息，我们使用门卷积在这两个级别的动态选择的重要功能和自适应变形的图像逐层。我们的模型具有非常少的参数，收敛速度快。实验结果表明，我们的模型实现了更好的性能与更一致的头发，脸和衣服，更少的参数比国家的最先进的方法。此外，我们的方法可以应用到服装纹理转移。
2020-12-13 cs.CV
SPHEAR: Spherical Head Registration for Complete Statistical 3D Modeling
Google Research（谷歌研究院）
本研究提出基于球形嵌入配准的可微统计3D头部模型SPHEAR，突破经典非刚性配准范式，支持多维度头部数据生成，在效率与精度上均优于现有方法。
2023-11-04 cs.CV
