神經參數化頭部模型：以隱式場與局部MLP實現高品質完整人頭重建

本文提出一種「神經參數化頭部模型」，可從點雲或稀少深度資料重建高品質且完整的人頭幾何（含頭髮與細微表情紋理），並具備良好身份與表情的可分離表示能力。

主要貢獻與方法：

• 身份表徵：以中性表情下的有號距離場（signed distance field, SDF）來表示身份，直接在原始掃描上以 auto-decoder 方式訓練。
• 表情建模：將表情視為從中性姿態的向量位移場。透過非剛性配準（non-rigid registration）在 canonical 與表情掃描間建立一對一對應，得到真實位移場以監督表情網路。
• 隱式表示創新：把整體 SDF 分解為一組以錨點（anchor points）為中心的局部 MLP（local MLPs）集合，每個局部 MLP 以對應的局部潛碼（local latent code）條件化，並用固定的高斯核加權混合（Blending）各局部輸出。此組合性（compositionality）使學習更容易且有助於泛化。
• 對稱性處理：為了利用頭部左右對稱性，對稱錨點共享網路參數，並鏡像其局部座標系，減少參數且強化對稱表徵。
• 表情/身份解耦：表情網路同時以身份與表情潛碼作為條件，促成解耦好的潛在表示，便於如表情重演（reenactment）等應用。

資料與訓練：

• 建立高品質 3D 掃描設備，收集 124 個體 × 20 表情，共超過 2200 個掃描，包含細微皺褶及完整頭部（含頭髮）幾何。
• 直接在掃描資料上訓練模型（auto-decoder）。

實驗結果：

• 在單張正面深度圖重建任務上，無論身份或表情重建均優於 Basel Face Model 與 FLAME 等基線方法，重建結果更貼近真實掃描。
• 僅使用少量點（例如 500 點）也能做出準確的臉部幾何重建，顯示模型對稀疏輸入的魯棒性。
• 局部身份表示提升了重建品質；解耦的潛在空間可用於表情轉移／重演，同一表情碼可作用於不同身份以生成一致的表情動作。

總結：

此方法以局部化的隱式 SDF 表示、受監督的表情位移場與對稱化設計，結合高品質掃描資料，實現了能重建完整人頭且具表情-身份解耦能力的神經參數化模型，並在多項重建任務中顯著超越現有基準。