{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2024,6,14]]，“日期时间”：“2024-06-14T07:16Z”，“时间戳”：1718349496384}，“发布者位置”：“Cham”，“引用计数”：85，“发布商”：“Springer Nature Switzerland”，“isbn-type”：[{“值”：“9783031197772”，“键入”：“打印”}，{“值”：“9783031197789”，“类型”：“electronic”}]，“license”：[{“start”：{“date-parts”：[[2022,1,1]]，“date-time”：“2022-01-01T00:00:00Z”，“timestamp”：1640995200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.springer.com\/tdm”}：1640995200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com//tdm”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”:{“date-parts”：[[2022]]}，”DOI“：”10.1007\/978-3031-1978-9_15“，”type“：”book-capter“，”created“：{”date-part“：[2022,11,2]]，”日期时间“：”2022-11-02T20:28:41Z“，”时间戳“：1667420921000}，“page”：“250-269”，“update-policy”：”http://\/dx.doi.org\/10.1007\/springer_crossmark_policy“，”source“：”Crossref“，“is-referenced-by-count”：43，“title”：[“Towards Metrical Reconstruction of \u00a0 Human Faces”]，“prefix”：“10.1007”，“author”：[{“给定”：“Wojciech”，“family”：“Zielonka”，“sequence”：“first”，“affiliation”：[]}，{“given”“：”Timo“，”family“：”Bolkart“、“sequence”：“additional”，“affiliation”：[]}，{“given”：“Justus”，“family”：“Thies”，“sequences”：“附加”，“从属”：[]}]，“member”：“297”，“published-on-line”：{“date-parts”：[2022,11,3]]}：“Abrevaya，V.F.，Boukhayma，A.，Torr，P.H.，Boyer，E.：具有非激活跳跃连接的跨模态深面法线。摘自：计算机视觉与模式识别会议（CVPR），第4978\u20134988页（2020）”}，{“key”：“15_CR2”，“doi-asserted-by”：“crossref”，“unstructured”：“An，X.，et al.：Partial fc：在一台机器上训练1000万个身份。In：Arxiv 2010.05222（2020）”，“DOI”：“10.1109\\ICCVW54120.2021.00166”｝，｛“key”：“15_CR3”，“DOI asserted by”：“publisher”，“unstructured”：“Bagdanov，A.D.，Del Bimbo，A.，Masi，I.：florence 2D\/3D混合人脸数据集。在：2011年ACM人类手势和行为理解联合研讨会论文集，J-HGBU 2011，pp.79\u201380。美国纽约州纽约市计算机协会（2011年）。https:\/\/doi.org\/10.1145\/2072572.2072597，https:\//doi.org\/10.1145\/207272572.20072597，“doi”：“10.1145\/2072 572.20725597”}，{“issue”：“10”，“key”：“15_CR4”，“doi-asserted-by”：“publisher”，“first page”：：“1455”，“doi:”10.1007\/s1123-019-01197-x“，”volume“127”，”author“A Bas”“，”年份“：”2019年“，”非结构化“：”Bas，A.，Smith，W.A.P.：关于3D人脸形状，2D几何信息真正告诉了我们什么？国际期刊计算。签证。127（10），1455\u20131473（2019）“，“期刊标题”：“国际计算杂志”。签证。}，{“key”：“15_CR5”，“unstructured”：“Besl，P.J.，McKay，N.D.：三维形状注册方法。In:Sensor Fusion IV:Control Paradigms and Data Structures，vol.1611，pp.586\u2013606。国际光学与光子学学会，Bellingham（1992）“}，{“key”：“15_CR6”，“doi-asserted-by”：“crossref”，“unstructured”：“Blanz，V.，Basso，C.，Poggio，T.，Vetter，T.：图像和视频中的人脸动画。摘自：EUROGRAPHICS（EG），第22卷，第641\u2013650页（2003）”，“doi”：“10.1111\/1467-8659.t01-1-00712”}，}，“ission”：“3”，“key“：”15_CR7“，”doi-asserted-by“：”publisher“，”first-page“：”669“，”doi“：”10.1111\/j.1467-8659.2004.00799.x“，”volume“：”23“，”author“：”V Blanz“，”year“：”2004“，”unstructured“：”Blanz，V.，Scherbaum，K.，Vetter，T.，Seidel，H.P.：在图像中交换面孔。计算。图表。论坛23（3），669\u2013676（2004）“，“新闻标题”：“计算。图表。论坛“}，{“key”：“15_CR8”，“doi-asserted-by”：“crossref”，“unstructured”：“Blanz，V.，Vetter，T.：3D人脸合成的可变形模型。摘自：SIGGRAPH，pp.187\u2013194（1999）”，“doi”：“10.1145\/311535.31556”}，}“key”：“15 _CR9”，“doi-asserted-by”:“crossrev”，《非结构化》：“Bulat，A.，Tzimiropoulos，G.：我们距离解决2D和3D人脸对齐问题还有多远？（以及230000个3d面部标志的数据集）。In:计算机视觉国际会议（2017）“，”DOI“：”10.1109\/ICCV.2017.116“}，{“key”：“15_CR10”，“DOI-asserted-by”：“crossref”，“unstructured”：“Cao，C.，Weng，Y.，Zhou，S.，Tong，Y.Zhou10.1109\/TVCG.2013.249“}，{“key”：“15_CR11”，“doi-asserted-by”：“crossref”，“unstructured”：“Chang，F.J.，Tran，A.T.，Hassner，T.，Masi，I.，Nevatia，R.，Medioni，G.：ExpNet:无标记，深度，三维面部表情。In:自动人脸和手势识别国际会议（FG），pp.122\u2013129（2018）”，“doi”：“10.1109\/FG.2018.00027”}key“：”15_CR12“，”series-title“：”计算机科学课堂讲稿“，”doi-asserted-by“：”publisher“，”first page“：“142”，”doi“：”10.1007\/978-3-030-58558-7_9“，”volume-title“：“Computer Vision\u2013 ECCV 2020”，”author“：”B Chaudhuri“，”year“：”2020“，”unstructured“：”Chaudhury，B.，Vesdapunt，N.，Shapiro，L.，Wang，B.：个性化面部建模，用于改进面部重建和运动重定目标。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12350卷，第142\u2013160页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58558-7_9“}，{“key”：“15_CR13”，“doi-asserted-by”：“crossref”，“unstructured”：“Chen，A.，Chen，Z.，Zhang，G.，Mitchell，K.，Yu，J.：从单个图像合成真实感照片面部细节。摘自：IEEE国际计算机视觉会议论文集，第9429\u20139439（2019）页”，“doi”：“10.1109\/ICCV.2019.00952“}，{“key”：“15_CR14”，“doi-asserted-by”：“crossref”，“unstructured”：“Chung，J.S.，Nagrani，A.，Zisserman，A.：VoxCeleb2：深度说话人识别。In:\u201cINTERSPEECH\”（2018）“，”doi“：”10.21437\/Interspeech.2018-1929“}：“Cosker，D.，Krumhuber，E.，Hilton，A.：一个FACS有效的三维动态动作单元数据库，用于三维动态可变形面部建模。摘自：2011年计算机视觉国际会议，第2296\u20132303页（2011年）。https:\/\/doi.org\/10.109\/ICCV.2011.6126510”，“doi”：“10.1109\/ICCV.2011.6126510”}，{“issue”：“2”，“key”：“15_CR16”，“doi-asserted-by”：“publisher”，“first page”：“547”，“doi”：“10.1007\/s11263-01260-7”，《volume》：“128”，“author”：“H Dai”，“year”：“2019”，“unstructured”：“Dai，H.，Pears，N.，Smith，W.，Duncan，C.：颅面形状和纹理的统计建模。国际计算机视觉128（2），547\u2013571（2019）。https:\\/doi.org\/10007\/s1263-01260-7“，“journal-title”：“Int.J.Compute.Vision”}，{“key”：“15_CR17”，“series-title”：《计算机科学讲义》，“doi-asserted-by”：“publisher”，“first page”：《741》，“doi”：“10.1007\/978-3030-58621-8_43”，“volume-title》：“Computer Vision\u2013 ECCV 2020”，“author”：“J Deng”，“year”：“2020”，”非结构化“：“Deng，J.，Guo，J.，Liu，T.，Gong，M.，Zafeiriou，S.：副中心ArcFace：通过大规模嘈杂的网络人脸增强人脸识别。In：Vedaldi，A.，Bischof，H.，Brox，T.，Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12356卷，第741\u2013757页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58621-8_43“}，{“key”：“15_CR18”，“doi-asserted-by”：“crossref”，“unstructured”：“Deng，Y.，Yang，J.，Xu，S.，Chen，D.，Jia，Y.Tong，X.：使用弱监督学习进行精确的三维人脸重建：从单个图像到图像集。In:计算机视觉和模式识别研讨会（CVPR-W）（2019）“，”DOI“：”10.1109\/CVPRW.2019.00038“}，{”key“：”15_CR19“，”DOI-asserted-by“：”crossref“，”unstructured“：”Dib，A.、Thebault，C.、Ahn，J.、Gosselin，P.、Theobalt，C.和Chevallier，L.：使用自监督学习和光线跟踪实现高保真度的单目人脸重建，具有丰富的反射率。收录于：国际计算机视觉会议（ICCV），第12819\u201312829（2021）页“，”DOI“：”10.1109\/ICCV48922.2021.01258“}，{“key”：“15_CR20”，“DOI-asserted-by”：“crossref”，“unstructured”：“Dou，P.，Shah，S.K.，Kakadiaris，I.A.：用深层神经网络进行端到端3D人脸重建Arch.Computat.Methods Eng 29，3475\u20133507（2017）”，“DOI”：“10.1007\/s11831-021-09705-4“}，{“key”：“15_CR21”，“doi-asserted-by”：“publisher”，“unstructured”：“Egger，B.，et al.：3D可变形人脸模型-过去、现在和未来。Transa.Graph.39（5）（2020）。https:\/\/doi.org\/10.1145\/3395208”，“doi”：“10.1145\/3395208”}，}“key”：“15-CR22”，“非结构化”：“Feng，H.，Bolkart，T.：光度FLAME装配（2020年）.https:\/\/github.com/HavenFeng\/photometric_optimization“}，{“key”：“15_CR23”，“doi-asserted-by”：“crossref”，“unstructured”：“Feng，Y.，Feng，H.，Black，M.J.，Bolkart，T.：从自然图像中学习可设置动画的详细3D人脸模型。Trans.Graph。（Proc.SIGGRAPH）40（8）（2021）”，“doi”：“10.1145\/3450626.3459936”}，}，“key“：”15_CR24“，“”series-title“：“计算机科学课堂讲稿”，“doi-asserted-by”：“publisher”，“first page”：“557”，“doi”：“10.1007\/978-3-030-01264-9_33”，“volume-title”：“Computer Vision\u2013 ECCV 2018”，“author”：“Y Feng”，“year”：“2018”，”非结构化：“Feng，Y.，Wu，F.，Shao，X.，Wang，Y.Zhou，X.：使用位置图回归网络进行联合3D人脸重建和密集对齐。In:Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（eds.）Computer Vision\u2013 ECCV 2018。LNCS，第11218卷，第557\u2013574页。施普林格，查姆（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01264-9_33“}，{“key”：“15_CR25”，“doi-asserted-by”：“publisher”，“unstructured”：“Feng，Z.，et al.：评估野外二维人脸图像的密集三维重建。in:国际自动人脸和手势识别会议（FG），第780\u2013786页（2018）。https:\//doi.org\/10.109\/FG.2018.00123”，“DOI“：”10.1109\/FG.2018.00123“}，{“key”：“15_CR26”，“DOI-asserted-by”：“crossref”，“unstructured”：“Feng，Z.，et al.：评估野外2D人脸图像的稠密三维重建。CoRR abs\/1803.05536（2018），https:\/\/arxiv.org\/abs\/1803.00536”，“DOI”：“10.1109\/FG.2018.0123”}，“key“：”15_CR27“，”DOI-assert-by“：”crossref“，”非结构化“：”Garrido，P.、Valgaerts，L.、Rehmsen，O.、Thormaehlen，T.、Perez，P.和Theobalt，C.：自动面部再现。收录于：计算机视觉和模式识别会议（Conference on Computer Vision and Pattern Recognition，CVPR），第4217\u20134224页（2014）“，”DOI“：”10.1109\/CVPR.2014.537“}，{”key“：”15_CR28“，”DOI-asserted-by“：”crossref“，”unstructured“：”Garrido，P.等人：VDub“修改演员面部视频，使其与配音音轨进行合理的视觉对齐。收录于《欧洲制图》（EG）第193\u2013204页（2015）“，”DOI“：”10.1111\/cgf.12552“}，{“key”：“15_CR29”，“DOI-asserted-by”：“crossref”，“unstructured”：“Gecer，B.，Ploumpis，S.，Kotsia，I.，Zafeiriou，S.：GANFIT：适合高保真3D人脸重建的生成对抗网络。In:IEEE计算机视觉和模式识别会议（CVPR），2019年6月”，“DOI”：“10.1109\/CVPR.2019.00125“}，{“key”：“15_CR30”，“doi-asserted-by”：“crossref”，“unstructured”：“Gecer，B.，Ploumpis，S.，Kotsia，I.，Zafeiriou，S.P.：Fast-GANFIT：高保真三维人脸重建的生成对抗网络。IEEE Trans.Pattern Anal.Mach.Intell..（2021）”，“doi”：“10.1109\/TPAMI.2021.3084524”}，“{”key“：”15_CR31“，”doi-asserted-by“：”crossref“，”unstructured“：”Genova，K.，Cole，F.，Maschinot，A.，Sarna，A.，Vlasic，D.，Freeman，W.T.：三维变形模型回归的无监督训练（2018）“，”doi“：”10.1109\/CVPR.2018.00874“}，{“key”：“15_CR32”，“doi-assert-by”：“publisher”，“unstructure”：“Grassal，P.W.、Prinzler，M.、Leistner，T.、Rother，C.、Nie\u00dfner，M.和Thies，J.：《单目RGB视频中的神经头像》（2021）。https:\/\/doi.org\/10.48550\/ARXIV.2112.01554，https:\//ARXIV.org\/abs\/2112.01554，“doi”：“10.48550\/ARXV.2112.0554”}，{“key”：“15_CR33”，“doi-asserted-by”：“publisher”，“unstructured”：“Grishchenko，I.，Ablavatski，A.，Kartynik，Y.，Raveendran，K.，Grundmann，M.：注意网格：实时高精度人脸网格预测（2020）.https:\/\/doi.org\/10.48550\/ARXIV.2006.10962，https:\/\/ARXIV.org\/abs\/2006.10962“，“doi”：“10.48550\/ARXV.2006.1096”}，{“key”：“15_CR34”，“doi-asserted-by”：“publisher”，“unstructured”：“Guo，J.，Zhu，X.，Yang，Y.，Yaang，F.，Lei，Z.，Li，S.Z.：迈向快速、准确和稳定的三维密集面对齐（2020）.https:\/\/doi.org\/10.48550\/ARXIV.2009.09960，https:\/\/ARXIV.org\/abs\/2009.09960，“doi”：“10.48550\/ARXIV.2009.09960”}，{“key”：“15_CR35”，“doi-asserted-by”：“publisher”，“unstructured”：“G\u00fcler，R.A.，Trigeorgis，G.，Antonakos，E.，Snape，P.，Zafeiriou，S.，Kokkinos，I.：DenseReg:Fully Convolu野外国家稠密形状回归（2016）.https:\/\/doi.org\/10.48550\/ARXIV.1612.01202，https:\/\/ARXIV.org\/abs\/1612.01202“，”doi“：”10.48550\/ARXV.1612.0120“}“，{”key“：”15_CR36“，”doi-asserted-by“：”publisher“，”unstructured“：”Hu，L.等人：从单个图像进行虚拟人物数字化以进行实时渲染。ACM Trans.Graph.36（6），14（2017）。https:\//doi.org\/10.10 145\/313080.31310887“，”DOI“：”10.1145\/313080.31310887“}，{“key”：“15_CR37”，“DOI-asserted-by”：“publisher”，“unstructured”：“Jackson，A.S.，Bulat，A.，Argyriou，V.，Tzimiropoulos，G.：通过直接体积CNN回归从单个图像重建大姿态3D人脸（2017）。https:\\/DOI.org\/10.48550\/ARXIV.1703.07834，https:\\/ARXIV.org\/abs\/1703.07834”，“DOI”：“10.48550 \/ARXIV.1703.07834“}，{“key”：“15_CR38”，“doi-asserted-by”：“crossref”，“unstructured”：“Karras，T.、Laine，S.、Aittala，M.、Hellsten，J.、Lehtinen，J.，Aila，T.：分析和提高StyleGAN的图像质量。In:Proceedings of CVPR（2020）”，“doi”：“10.1109 \/CVPR42600.2020.00813”}，}，“key“：”15_CR39“，“unsructured“：”Kartynik，Y.，Ablavatski，A.，Grishchenko，I.，Grundmann，M.：移动GPU上单目视频的实时面部表面几何学（2019）“}，{“问题”：“4”，“关键”：“15_CR40”，“doi-asserted-by”：“出版商”，“首页”：“1”，“doi”：“10.1145\/3197517.3201283”，“卷”：“37”，“作者”：“H Kim”，“年份”：“2018”，“非结构化”：“Kim，H.等人：深度视频肖像。事务处理。图表。37（4），1\u201314（2018）“，“期刊标题”：“翻译。图表。“}，{”key“：”15_CR41“，”doi-asserted-by“：”crossref“，”unstructured“：”Kim，H.，Zollh\u00f6fer，M.，Tewari，A.，Thies，J.，Richardt，C.，Theobalt，C.：InverseFaceNet:深度单目人脸反向渲染。In:计算机视觉与模式识别会议，2018年6月“，”doi“：”10.1109\/CVPR.2018.00486“}”，{“key”：“15_CR42”，“unstructure”：“”Kingma，D.P.，Ba，J.：亚当：随机优化方法。CoRR abs \/1412.6980（2015）“}，{“key”：“15_CR43”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“first page”：”690“，“doi”：“10.1007\/978-3030-58536-5_41”，“volume-title”：”Computer Vision\u2013 ECCV 2020“，“author”：“T Koizumi”，“year”：“2020”，“unstructured”：“小泉，T.，Smith，W.A.P.：Look Ma，No Landmarks\u2013无监督，基于模型的密集面对齐。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。\u201clook ma，没有地标\“-无监督、基于模型的密集面对齐，第12347卷，第690\u2013706页。查姆施普林格（2020）。https:\/\/doi.org/10.1007\/978-3-030-58536-541“｝，｛“key”：“15_CR44”，“doi断言”：“crossref”，“非结构化”：“Lattas，A.，et al.：AvatarMe:野外真实可渲染的3D面部重建”：“15_CR45”，“doi-asserted-by”：“crossref”，“unstructured”：“Lattas，A.，Moschoglou，S.，Ploumpis，S.、Gecer，B.，Ghosh，A.，Zafeiriou，S.P.：AvatarMe++：人脸形状和BRDF推断与真实感渲染软件GANs.Trans.Pattern Anal.Mach.Intell.（PAMI）（2021）”，“doi”：“10.1109\/TPAMI.2021.3125598”}，{“key”：“15-CR46”，“非结构化”：“Li，C.，Morel-Forster，A.，Vetter，T.，Egger，B.，Kortylewski，A.：适合与否：基于模型的面部重建和弱监督下的遮挡分割。CoRR abs \/2106.09614（2021），https:\/\/arxiv.org\/abs\/2106.009614”}，{“key”：“15_CR47”，“doi-asserted-by”：“crossref”，“unstructured”：“Li，T.，Bolkart，T.、Black，M.J.、Li，H.、Romero，J.：从4D扫描中学习面部形状和表情模型。Trans.Grap.（Proc.SIGGRAPH Asia）36（6），194:1\u2013194:17（2017.，https:\/\/doi.org\/10.1145\/313080.3130813”，“doi”：“10.1145\/3130800.3130813}”，{“key”：“15_CR48”，“doi-asserted-by”：“crossref”，“unstructured”：“刘，S.，李，T.，陈，W.，李，H.：软光栅化器：基于图像的三维推理的可差分渲染器。In:国际计算机视觉会议，2019年10月”，“DOI”：“10.1109\/ICCV.2019.00780”}，{“key”：“15_CR49”，“unstructured”：“Loshchilov，I.，Hutter，F.：修复Adam中的重量衰减正则化。CoRR abs \/1711.05101（2017），https:\/\/arxiv.org\/abs\/1711.05101“}，{“key”：“15_CR50”，“doi-asserted-by”：“crossref”，“unstructured”：“Morales，A.，Piella，G.，Sukno，F.M.：基于未校准图像的三维人脸重建调查（2021）”，“doi”：“10.1016\/j.cosrev.2021.00400”}，}“key”：Nagano，K.等人：paGAN：使用动态纹理的实时化身。ACM事务处理。图表。37(6) (2018). https:\/\/doi.org\/10.1145\/3272127.3275075“，”doi“：”10.1145\/33272127.3275075“}，{“key”：“15_CR52”，“doi-asserted-by”：“crossref”，“unstructured”：“Paysan，P.、Knothe，R.、Amberg，B.、Romdhani，S.、Vetter，T.：用于姿势和光照不变人脸识别的3D人脸模型。收录于：高级视频和信号监控国际会议，第296\u2013301页（2009）“，”DOI“：”10.1109\/AVSS.2009.58“}，{”key“：”15_CR53“，”DOI-asserted-by“：”publisher“，”unstructured“：”Phillips，P.等人：人脸识别的重大挑战概述。在：2005年IEEE计算机学会计算机视觉和模式识别会议（CVPR\u201905），第1卷，第947\u2013954页（2005）。https:\/\/doi.org\/10.109\/CVPR.2005.268“，”doi“：”10.1109\/CVPR.2005.268“}，{”key“：”15_CR54“，”doi-asserted-by“：”publisher“，”unstructured“：”Ramamoorthi，R.，Hanrahan，P.：辐照度环境地图的有效表示。摘自：《第28届计算机图形与交互技术年会论文集》，SIGGRAPH 2001，第497\u2013500页。美国纽约州纽约市计算机协会（2001年）。https:\/\/doi.org\/10.1145\/383259.383317“，”doi“：”10.1145\/338259.38331“}，{“key”：“15_CR55”，“unstructured”：“Ravi，N.，et al.：使用pytorch3d.arXiv:2007.08501（2020）“}加速3D深度学习，{”key“：”15_CR56“，”doi-asserted-by“：”publisher“，”unstructure“：”Richardson，E.，Sela，M.，Kimmel，R.：通过从合成数据中学习进行三维人脸重建（2016）。https:\/\/doi.org\/10.48550\/ARXIV.1609.04387，https:\//ARXIV.org\/abs\/1609.04387“，”doi“：”10.48550\/ARXV.1609.043“}“，{”key“：”15_CR57“，”doi-asserted-by“：”crossref“，”unstructured“：”Richardson，E.，Sela，M.，Or-El，R.，Kimmel，R.：从单个图像学习详细的面部重建。2017 IEEE计算机视觉和模式识别会议（CVPR）（2017）“，“DOI”：“10.1109\/CVPR.2017.589”}，{“key”：“15_CR58”，“DOI-asserted-by”：“crossref”，“unstructured”：“Saito，S.，Wei，L.，Hudoi-asserted-by“：”crossref“，”unstructured“：”Sanyal，S.，Bolkart，T.，Feng，H.，Black，M.：学习在没有三维监督的情况下从图像中回归3D人脸形状和表情。In:Conference on Computer Vision and Pattern Recognition（CVPR）（2019）”，“DOI”：“10.1109\/CVPR.2019.00795”}，{“key”：“15_CR60”，“DOI-asserted-by”：“publisher”，“unstructured”：“Schroff，F.，Kalenichenko，D.，Philbin，J.：FaceNet：人脸识别和聚类的统一嵌入。2015年IEEE计算机视觉和模式识别会议（CVPR），2015年6月。https:\/\/doi.org\/10.109\/cvpr.2015.7298682“，”doi“：”10.1109\/cvrpr.2015.7298682“}，{“key”：“15_CR61”，“doi-asserted-by”：“publisher”，“unstructured”：“Serengil，S.I.，Ozpinar，A.：超扩展光照：面部属性分析框架。收录：2021年国际工程与新兴技术会议（ICEET），第1\u20134页。IEEE（2021）。https:\/\/doi.org\/10.109\/ICEET53442.2021.9659697“，”doi“：”10.1109\/ICEET 53442.20.22.1965997“}，{“key”：“15_CR62”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“first page”：”53“，”DI:“10.1007\/978-3-030-58555-6_4”，“volume-title”：”Computer Vision\u2013 ECCV 2020“，”author“J Shang”，“年份”：“2020年”，“非结构化”：“Shang，J.等：通过闭塞软件多视图几何一致性进行自我监督的单目3D人脸重建。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12360卷，第53\u201370页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58555-6_4“}，{“key”：“15_CR63”，“doi-asserted-by”：“crossref”，“unstructured”：“Tewari，A.，et al.：FML：从视频中学习人脸模型。摘自：IEEE计算机视觉和模式识别会议论文集，第10812\u201310822（2019）页”，“doi”：“10.1109\/CVPR.2019.01107”}，}，“key“：”15_CR64“，”doi-asserted-by“：”crossref“，”unstructured“：”Tewari，A.等人：在250 hz以上的单目重建中，自我监督的多层人脸模型学习。收录于：IEEE计算机视觉与模式识别会议（2018）”，“DOI”：“10.1109\/CVPR.2018.00270”}，{“key”：“15_CR65”，“DOI-asserted-by”：“crossref”，“unstructured”：“Tewari，A.等人：MoFA：基于模型的深度卷积人脸自动编码器，用于无监督单目重建。摘自：IEEE国际计算机视觉会议（ICCV）（2017）“，”DOI“：”10.1109\/ICCV.2017.401“}，{“key”：“15_CR66”，“DOI-asserted-by”：“crossref”，“unstructured”：“Thies，J.，Zollh\u00f6fer，M.，Stamminger，M.、Theobalt，C.，Nie_00dfner，M.：Facevr：虚拟现实中的实时凝视软件面部再现。ACM Trans.Graph.37（2018）”，“DOI”：“10.1145\/3182644“}，{“key”：“15_CR67”，“series-title”：“计算机科学课堂讲稿”，“doi-asserted-by”：“publisher”，“首页”：“716”，“doi”：“10.1007\/978-3-030-58517-4_42”，“volume-title”：《计算机视觉\u2013 ECCV 2020》，“author”：“J Thies”，“year”：“2020”，“unstructured”：“Thies，J.、Elgharib，M.、Tewari，A.、Theobalt，C.、Nie\u00dfner，M.：神经语音木偶：音频驱动的面部再现。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12361卷，第716\u2013731页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58517-4_42“}，{“问题”：“4”，“密钥”：“15_CR68”，“doi-asserted-by”：“出版商”，“首页”：“1”，“doi”：“10.1145\/3306346.3323035”，“卷”：“38”，“作者”：“J Thies”，“年份”：“2019”，“非结构化”：“Thies，J.，Zollh\u00f6fer，M.，Nie\u00dfner，M.：延迟神经渲染：使用神经纹理的图像合成。事务处理。图表。38（4），1\u201312（2019）“，“新闻标题”：“翻译。图表。“}，{”key“：”15_CR69“，”doi-asserted-by“：”crossref“，”unstructured“：”Thies，J.，Zollh\u00f6fer，M.，Nie\u00dfner，M.、Valgaerts，L.，Stamminger，M.和Theobalt，C.：面部再现的实时表情传输。Trans.Graph.34（6）（2015）“，”doi“：”10.1145\/2816795.2818056“}”，{“key”：“15_CR70”，“doi-assert-by”：“crossref.“，”非结构化“：”Thies，J.、Zollh\u00f6fer，M.、Stamminger，M.，Theobalt，C.、Nie\u00dfner，M.：Face2Face：实时人脸捕获和RGB视频的重新制作。收录于：计算机视觉和模式识别会议（CVPR），第2387\u20132395页（2016）“，“DOI”：“10.1109\/CVPR.2016.262”}，{“key”：“15_CR71”，“DOI-asserted-by”：“crossref”，“unstructured”：“Thies，J.，Zollh\u00f6fer，M.，Theobalt，C.，Stamminger，M.和Niessner，M.：Headon：实时重新制作人像视频。ACM Transa.Graph。37（4），1\u201313（2018）10.1145\/3197517.3201350，https:\/\/dx.doi.org\/10.1145\/3199517.320135“，”doi“：”10.1145\/3197517.3201340“}，{“key”：“15_CR72”，“doi-asserted-by”：“crossref”，“unstructured”：“Tran，A.T.，Hassner，T.，Masi，I.，Medioni，G.：用非常深入的神经网络回归健壮且有辨别力的3D可变形模型。在：《IEEE计算机视觉与模式识别会议记录》（CVPR），第1599\u20131608页（2017），“DOI”：“10.1109\/CVPR.2017.163”｝，｛“key”：“15_CR73”，“DOI断言”：“crossref”，“非结构化”：“Tran，A.T.、Hassner，T.、Masi，I.、Paz，E.、Nirkin，Y.、Medioni，G.：极限3D人脸重建：透视遮挡。In:Conference on Computer Vision and Pattern Recognition（CVPR）（2018）”，“DOI”：“10.1109\/CVPR.2018.00414”}，{“key”：“15_CR74”，“DOI-asserted-by”：“crossref”，“unstructured”：“Tran，L.，Liu，F.，Liw，X.：朝向高保真非线性3D人脸变形模型。In:In Proceeding of IEEE Computer Visual and Patterm Recognition.Long Beach，CA，2019年6月”DOI“：”10.1109\/CVPR.2019.00122“}，{“key”：“15_CR75”，“unstructured”：“Tu，X.，et al.：通过2D辅助的自我监督学习从单个图像进行联合3D人脸重建和密集人脸对齐。arXiv预印本arXiv:1903.09359（2019）”}，}，“key“：”15_CR76“，“unsructured“：”Wei，H.，Liang，S.，Wei，Y.：通过图卷积网络进行三维密集面部对齐（2019）“}，{“key”：“15_CR77”，“doi-asserted-by”：“crossref”，“unstructured”：“Weise，T.，Bouaziz，S.、Li，H.、Pauly，M.：实时基于性能的面部动画。In:Trans.graph.30（2011）”，“doi”：“10.1145\/2010324.1964972”}crossref“，”unstructured“：”Weise，T.，Li，H.，Gool，L.J.V.，Pauly，M.：变脸：真人面部木偶。摘自：SIGGRAPH\/欧洲制图计算机动画研讨会（SCA），第7页\u201316（2009）“，”DOI“：”10.1145\/1599470.1599472“}，{“key”：“15_CR79”，“DOI-asserted-by”：“publisher”，“unstructured”：“Yamaguchi，S.，et al.：从无约束图像中进行高精度面部反射和几何推断。ACM Trans.Graph.37（4）（2018）.https:\/\/doi.org\/10.1145\/3197517.3201364，https:\/\.doi.org\/10.1145\/3197512764“，”doi“：”10.1145\/3199517.320364“}，{“key”：“15_CR80”，“doi-asserted-by”：“crossref”，“unstructured”：“Yang，H.、Zhu，H.，Wang，Y.、Huang，M.、Shen，Q.、Yang，R.、Cao，X.：FaceScape：大规模高质量三维人脸数据集和详细的精确三维人脸预测。收录于：IEEE\/CVF计算机视觉和模式识别会议（CVPR），2020年6月”，“DOI”：“10.1109\/CVPR42600.2020.00068”}，{“key”：“15_CR81”，“DOI-asserted-by”：“publisher”，“unstructured”：“Yin，L.，Wei，X.，Sun，Y.，Wang，J.，Rosato，M.：面部行为研究的三维面部表情数据库。摘自：第七届自动人脸和手势识别国际会议（FGR06），第211\u2013216页（2006）。https:\/\/doi.org\/10.109\/FGR.2006.6“，”doi“：”10.1109\/FGR/2006.6“}，{”key“：”15_CR82“，”doi-asserted-by“：”publisher“，”unstructured“：”Zhang等：人类行为分析的多模自发情绪语料库。In:2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR），pp.3438\u20133446（2016）.https:\/\/doi.org\/10.109\/CVPR.2016.374“，”doi“：”10.1109\/CVPR.2016.374“}，{“key”：“15_CR83”，“unstructured”：“Zhu，H.，et al.：FacesCape:三维人脸数据集和单视图三维人脸重建基准。arXiv预打印arXiv:2111.01082（2021）“}朱，X，雷，Z，刘，X，石，H，李，S，Z：大型姿势的面部对齐：3D解决方案。参加：计算机视觉和模式识别会议（CVPR）。第146\u2013155页。IEEE计算机学会，美国加利福尼亚州洛斯阿拉米托斯，2016年6月。https:\/\/doi.org\/10.109\/CVPR.2016.23，https:\//doi.ieeecomputersociety.org\/10.1109\/CVPR.2016.23“，“doi”：“10.1109\/CVPR.2016.23”}，{“key”：“15_CR85”，“doi-asserted-by”：“crossref”，“unstructured”：“Zollh\u00f6fer，M.等人：单目3D人脸重建、跟踪和应用的最新技术。计算。图表。Forum（Eurographics State of the Art Reports）37（2）（2018）“，”DOI“：”10.1111\/cgf.13382“}]，”container-title“：[”计算机科学讲义“，”Computer Vision\u2013 ECCV 2022“]，”original-title”：[]，”link“：[{”URL“https:\/\/link.springer.com\/content\/pdf\/10007\/978-3-031-19778-9_15“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2022,11,2]，”date-time“：”2022-11-02T20:55:21Z“，”timestamp“：1667422521000}，”score“：1，”resource“：{primary”：{“URL”：“https:\/\/link.springer.com\/10007\/978-3031-19778-9_15”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-part”：[[2022]]}，“ISBN”：[“9783031197772”，“9783031197789“]，”引用计数“：85，”URL“：”http://\/dx.doi.org\/10.1007\/978-3-031-19778-9_15“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，“ISSN-type”：[{“value”：“0302-974”，”type“：”print“}，{“value”：“1611-3399”，”类型“：”electronic“}]，”subject“：[]，”published“：{”date-pa rts“：[[2022]]}，”断言“：[{“value”：“2022年11月3日”，“order”：1，“name”：“first_online，“label”：“first online”，“group”：{“name”：“ChapterHistory”，“label:”Chapter History“}}，{“value”：“ECCV”，“order”：1，“name”:“conference_acrombit”，“table”：“conference_Acrombitor”，“group”：“{”name“：”ConferenceInfo“，”label“：”会议信息“}}}”，{”value“：”欧洲计算机视觉会议“，”order“：2，”name“conference_name”，“标签”：“会议名称“，”组“：{“Name”：“ConferenceInfo”，“label”：“conferenceInformation”}}，{“value”：“Tel Aviv”，“order”：3，“Name”:“Conference_city”，“标签”：“会议城市”，“group”：ConferenceInfo“，”label“：”ConferenceInformation“}}，{”value“：”2022“，”order“：5，”name“：”Conference_year“，”标签“：”会议年份“，”group“：会议信息“}}，{“value”：“2022年10月27日”，“order”：8，“name”：“Conference_end_date”，“label”：“Conference end date”，“group”：{“名称”：“会议信息”，“标签”：“会务信息”}}、{“值”：“17”，“订单”：9、“name”:“Conference_number”、“label“：”会议编号“，”group“：{”name“：“”eccv2022”，“order”：10，“name”：“conference_id”，“label”：“会议id”，“group”：｛“name”：“ConferenceInfo”，“label”：“会议信息”｝｝，｛“value”：“https://eccv2022.ecva.net\/”，“order”：11，“name”：“conferenceurl”，“label”：“会议url”，“group”：｛“name”：“ConferenceInfo”，“label”：“会议信息”｝｝，｛“value”：“双盲”，“order”：1，“名称”：“type“，”label“：”type“，”group“：”{“name”：“ConfEventPeerReviewInformation”，“label”：“Peer Review Information（由会议组织者提供同行评审信息（由会议组织者提供）“}}，{“value”：“5804”，“order”：3，“name”：“number_of_submissions_sent_for_Review”，“label”：“发送供评审的提交数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息”（由会议主办方提供）number_of_full_papers_accepted“，”label“：”接受的全文数“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行评审信息（由会议组织者提供）“}}，{”value“：”0“，”order“：5，”name“:”number_ of_short_papers_Accepteded“，”table“：”已接受的短文数“，“group”：{“name”：“”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“}}，{”value“：”28%-该值由等式“接受的全文数”/“发送供评审的提交数*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_Full_Papers“，”标签“：”全文接受率“，”group“：{”name“：”ConfEventPeerReviewInformation“，”label“：”Peer Review Information（由会议组织者提供）“}}，{”value“：”3.21“，”order“：7，”name“:”average_number_of_reviews_per_paper“，”标签“：”每篇论文的平均评论数“，”google“：同行评议信息（由会议组织者提供）“}}，{“value”：“3.91”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“tabel”：”同行评议资讯（由会议组织方提供）“{}}”，{（value）：“Yes”，“订单”：9，“name“：”external_reviewers_involved“，”label“：”涉及外部审阅者“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行审阅信息（由会议组织者提供）“}}]}}