2018年10月15日，單視圖3D頭發(fā)數(shù)字化的最新進展使得高質量CG角色的創(chuàng)建變得可擴展，并且可供最終用戶訪問，從而能夠實現(xiàn)新形式的個性化VR與游戲體驗。為了處理頭發(fā)結構的復雜性和多樣性，大多數(shù)尖端技術依賴于從綜合頭發(fā)數(shù)據(jù)庫中成功檢索出特定的頭發(fā)模型。

　　這種基于數(shù)據(jù)的方法需要大量的存儲，而且容易因為高度無約束的輸入圖像，異國發(fā)型，無效的面部檢測而導致失敗。為此，由Snap，Pinscreen和南加州大學研究人員組成的團隊提出，通過體三維變分自動編碼器的緊湊latent space來隱式表示3D發(fā)型的多樣性，而不是直接使用大量的3D頭發(fā)模型。

　　這種深度神經網絡主要通過3D頭發(fā)模型的體三維定向場表征進行訓練，并且可以根據(jù)一個壓縮代碼合成新的發(fā)型。為了實現(xiàn)端到端的3D頭發(fā)推理，研究人員訓練了一個額外的回歸網絡，令其根據(jù)任何輸入圖像預測變分自動編碼器latent space中的代碼。然后，系統(tǒng)可以根據(jù)預測的體三維表征生成絲縷級別的發(fā)型。

　　研究人員表示：“他們的全自動框架不需要任何的臨時面部擬合，中間分類和分割，或者發(fā)型數(shù)據(jù)庫檢索。與最先進的數(shù)據(jù)驅動型頭發(fā)建模技術相比，他們的頭發(fā)合成方法明顯更加強大，并且可以處理更廣泛的發(fā)型變化，以及具有挑戰(zhàn)性的輸入，包括低分辨率，過度曝光或含有極端頭部姿勢的照片。”

　　這種方法對存儲要求非常小，并且可以在一秒鐘內根據(jù)圖像產生3D頭發(fā)模型。團隊指出，他們的評估同時表明系統(tǒng)可以根據(jù)高度風格化的卡通圖像，非人類主體，以及從人體背面拍攝的圖片成功進行重建。另外，他們的方法特別適用于不同發(fā)型之間的連續(xù)和合理的頭發(fā)插值。