王雪莹：中国科学技术大学图形与几何计算实验室（GCL）一年级博士生，研究方向主要为三维人脸重建。
报告题目：基于轻量级光度立体技术的高质量三维人脸重建
报告摘要：高质量三维人脸重建一直是计算机视觉与图形学领域的研究热点。获取高质量三维人脸模型或是需要借助高精度的采集设备，或是需要复杂耗时的优化过程，无论哪一种都是费时费力的。与此同时，传统的光度立体技术虽然可以计算得到高精度的法向，但通常需要大量的图片作为输入且平行光条件过于理想，在实际操作中难以达到。为了达到使用少量图片就可以重建出高质量三维人脸的目的，本篇论文引入了点光源下的光度立体技术，仅需要任意张（不超过三张）点光源下的人脸图像作为输入，再结合人脸先验知识通过深度神经网络估计出高精度法向，进而达到恢复高质量三维人脸模型的目的。
Spotlight：
提出了一种人脸先验知识和光度立体技术相结合的方法，通过设计神经网络达到高质量法向的估计，从而恢复人脸细节。
为了进行网络训练，构造了基于真实人脸图片的数据集。
1. PS-FCN A Flexible Learning Framework for Photometric Stereo
推荐理由：针对已知光源的光度立体技术，提出了PS-FCN来完成一般物体的法向估计。
2. Self-calibrating Deep Photometric Stereo Networks
推荐理由：针对未知光源的光度立体技术，在PS-FCN的基础上进行了改进，提出了SDPS-Net来估计光源和法向。
3. Sparse Photometric 3D Face Reconstruction Guided by Morphable Models
推荐理由：针对点光源下未知光源的光度立体技术，结合人脸代理模型，估计点光源的位置和强度，进一步恢复三维人脸模型。
4. 3D Face Reconstruction using Color Photometric Stereo with Uncalibrated Near Point Lights
推荐理由：利用人脸代理模型，结合三原色光照条件，使用优化的方法来估计光源和重建三维人脸模型。
5. Photo-Realistic Facial Details Synthesis From Single Image
推荐理由：利用“coarse-to-fine”的思想，通过深度学习的方法从单张输入图片重建带有细节的三维人脸网格。
6. Learning Formation of Physically-Based Face Attributes
推荐理由：利用深度学习网络从人脸扫描数据中重建高质量人头模型，构造并公开了完整人头数据集。
