近年来，计算机视觉和计算机图形学领域对 3D 人体头部的合成和重建的兴趣有所增加。现有最先进的用于 3D 人体头部合成的 3D 生成对抗网络 (GAN) 仅限于近正面视图，或者难以在大视角下保持 3D 连贯性。我们建议使用 PanoHead。PanoHead 是第一个 3D 识别生成模型，能够对具有不同外观和详细形状的 360° 整个头部进行高质量视图一致的图像合成。其核心是提高最新 3D GAN 的表达能力，并填补从具有广泛分布视图的野外图像学习时的数据对齐差距。具体来说，我们提出了一种新颖的两步自适应图像对齐方法，用于稳健的 3D GAN 训练。此外，我们引入了一种三格神经体积表示，它有效地解决了额叶和枕骨特征的纠缠，植根于广泛采用的三平面公式。我们的方法通过将 2D 图像分割的先验知识融入到 3D 神经场景结构的对抗性学习中，实现了不同背景下的可合成头部合成。得益于这些设计优势，我们的方法显着优于传统的 3D GAN，并生成具有精确几何形状和多样化外观的高质量 3D 头部。此外，我们还表明，我们的系统可以从单个输入图像重建完整的 3D 头部，以获得个性化的逼真 3D 头像。

论文官网：https://sizhean.github.io/panohead