Re2读论文：GANHead: Towards Generative Animatable Neural Head Avatars-CVPR2023

第一篇人脸3D建模论文，开冲！

avatar:头像、化身、阿凡达
neural head avatars：神经脑袋头像？？

LBS

线性蒙皮，通过记录每个骨骼上的部分点以替代记录所有表情而节省空间。

Abstract&Conclusion：

摘要和结论都描述了下自己的工作和模型的优异性

1. 通过使用正则空间的三个网络生成完整真实的人脸形象，GANhead能够展现粗几何、详细的正常纹理。
2. 通过形变模块后，生成的人脸形象可以直接由FLAME参数生成动画（使用LBS线性蒙皮算法）
3. 大量的实验表明GANHead在人脸形象生成和原始扫描拟合有其优越性

Introduction：

介绍人脸化身模型需要满足的要求以及对当前的几种主流建模模型

要求：

1. 完整：3D模型要包含整个头部，包括额头、脑后、头发区域
2. 真实：头像应该展现出生动的纹理、详细的几何
3. 可制动画：头像应该能完整的操纵姿势和表达、并能通过低维参数进行控制
4. 生成的模型需要能够很灵活的应用到后续的任务中，所以，人脸头像模型最好是生成的，而不是进行内容判别

主流模型：

1. 3DMMs（3D形变模型）:通过使用注册网格建立已经被广泛使用，并应用PCA塑造及质感，但是将真实的原始扫描到有拓扑结构的模块中是很重要的，很难为如头发这种复杂区域定义固定拓扑，结果就是大部分方法只建模了面部区域，少部分建模了整张脸，同时，过分简单化的PCA使得模型缺乏真实感
2. 一些判别模型成功的建模完整人脸几何和真实质地，但这些模型只能用于重建工作，没法生成新的样本，3D-aware GANs基于隐式表示，能够生成多种看起来连续的人脸图片，不仅如此，人头还是不完整，另外，很难通过3D-aware GANs对神经头像进行动画，最近，多种隐式生成模型做到了真实及可动画的人脸头像。 但是这些模型既不能生成有着满意几何的完成头型，也不能*？？通过学习到的潜在代码进行隐式动画？？*
3. （吹了一波自己用的网络结构） 为此我们推出了GANHead，其既能生成多种真实的人脸头像，也能兼用参数化人脸模型的动画参数，通过学习MLPs（多层感知机，人工神经网络）的神经占据函数（三层网络能够生成粗糙的几何，细密的纹理和质地），GANHead能隐性的表示3D人脸。监督未注册的3D人脸皮肤。在标准空间通过自动解码结构定义网络。这个结构使得GANHead完成完整的、真实的生成结果，产生理想的生成结果。
4. 如何控制动画参数时的隐性表达？我们延申了多元前向皮肤方法，以满足FLAME的形态和表达参数。受IMAvatar启发，形变区域使用基于LBS（线性蒙皮算法）的标准点定义。
5. (总结自己模型的优势)：
   1. 推出了一个生成动画头部模型，可以生成有着真实质地和详细几何的完整头部动画
   2. 生成的头像能够直接被FLAME参数使用，对无法观测到的动作和表达也很健壮
   3. 相比最新的算法，我们推出的模型能够达到预想的效果

相关工作

明确的脸部和头部形变模型