真的有这么丝滑：3D头发建模新方法，浙大、ETH Zurich、CityU第一部

如示意图 4 和表 1 右示意图，与现代的短发湿润线性正因如此，本文的 GrowingNet 在时间消耗上很强突出的优势，同时在视觉质量上保持了相同的湿润经济性。此外，通过比起示意图 4 的第三至多和第四至多，可以碰到，如果没有人分开潜在 patch 方案，patch 边界处的睫毛可能会是不紧接著的，当睫毛的湿润斜向持续增长发生变化时，这个疑问就非常加严重。不过值得注意的是，这种方案以略微下降造化度为代价，大大提颇高了经济性，下降成本对于其方便、颇高效地应可用化学物质位数化是有重要内涵的。

与 SOTA 新方法对比

为了评量 NeuralHDHair 的经济性，深入研究将其与一些 SOTA 新方法 [6,28,30,36,40] 顺利进行了对比。其中都 Autohair 基于资料涡轮机的新方法顺利进行短发衍生物，而 HairNet [40]或多或少短发湿润过程来借助于端到端的短发来进行量化机。正因如此之下，[28,36]拒绝执行一个两步策略，首先至少一个 3D 斜向场，然后自已都衍生物睫毛。PIFuHD [30]是一种基于粗到锯策略的单目颇高质量 3D 来进行量化机新方法，可以可用 3D 短发来进行量化机。

如示意图 6 右示意图，HairNet 的结果看似差强人意，但是渐进的确实，甚至主体的轮廓与回传投影中都的短发不恰当。这是因为该新方法用一种有趣而薄的方式则来衍生物短发，必要从单一的投影中都恢复无序的睫毛。

这里还将重修结果与 Autohair[6]和 Saito[28]顺利进行了比起。如示意图 7 右示意图，虽然 Autohair 可以衍生物真实世界的结果，但内部结构上无法很好地冗余回传投影，因为资料库相关联的服装有限。另一方面，Saito 的结果缺乏渐进确实，轮廓与回传投影不恰当。正因如此之下，本文新方法的结果非常好地保持了短发的意味着内部结构和渐进确实，同时确保安全了短发轮廓的恰当性。

PIFuHD [30]和 Dynamic Hair [36]则致力于至少音频度的 3D 短发几何特质，以聚合真实世界的睫毛建模。示意图 8 展示了两个有代表性的比起结果。可以显露出有，PIFuHD 中都采用的像素级自生变数难以充分描述繁复的短发，导致结果显得光滑，没有人渐进确实，甚至没有人适当的意味着内部结构。Dynamic Hair 可以用较少的确实转化成非常适当的结果，而且其结果中都的短发湿润态势可以很好地冗余回传投影，但许多渐进内部结构确实 (例如层次内部结构) 难以逃逸，都有是对于繁复的服装。正因如此之下，本文的新方法可以适应各有不同的服装，甚至是软弱繁复的内部结构，并借助意味着特质和渐进确实，聚合音频、颇高质量的很强非常多确实的 3D 短发建模。