文献出处1背景创建3D虚拟世界与内容创建工具的需求变得强烈。过去的许多工作缺乏3D几何细节、受限于可以生成的网络拓扑、不支持纹理、在合成过程中使用神经渲染器，因此在3D软件中的使用变得不平凡。2研究问题训练合成纹理网格的3D生成模型，可以被3D渲染引擎消耗，用于下游应用。完成上述所有需求。3研究思路将可微显式表面提取建模方法、可微渲染技术，2D生成对抗网络结合起来，从2D图像集合来训练模型。可微显式表面提取建模方法：直接优化和输出具有任意拓扑的纹理3D网格。可微渲染技术：用2D图像渲染模型，从而利用为2D图像合成开发的强大而成熟的鉴别器。综上两条，就可以轻松扩展模型以训练高达1024×1024

文献出处1背景创建3D虚拟世界与内容创建工具的需求变得强烈。过去的许多工作缺乏3D几何细节、受限于可以生成的网络拓扑、不支持纹理、在合成过程中使用神经渲染器，因此在3D软件中的使用变得不平凡。2研究问题训练合成纹理网格的3D生成模型，可以被3D渲染引擎消耗，用于下游应用。完成上述所有需求。3研究思路将可微显式表面提取建模方法、可微渲染技术，2D生成对抗网络结合起来，从2D图像集合来训练模型。可微显式表面提取建模方法：直接优化和输出具有任意拓扑的纹理3D网格。可微渲染技术：用2D图像渲染模型，从而利用为2D图像合成开发的强大而成熟的鉴别器。综上两条，就可以轻松扩展模型以训练高达1024×1024

DeepPrivacy:AGenerativeAdversarialNetwork forFaceAnonymizationISVC2019　　https://arxiv.org/pdf/1909.04538.pdf （个人理解，欢迎指正错误） Introduction　　隐私：整个人脸　　可用性：是看起来自然的人　　文章基于CGAN架构，模型以被遮蔽敏感信息的人脸为输入，以真实人脸中的若干个关键点为条件信息生成假人脸。合成人脸在匿名的同时保留数据分布，使数据适合于进一步训练深度学习模型。包含真实人脸的图像　　   遮蔽敏感信息与关键点提取　　　　   合成图像Methodology　　　　模

DeepPrivacy:AGenerativeAdversarialNetwork forFaceAnonymizationISVC2019　　https://arxiv.org/pdf/1909.04538.pdf （个人理解，欢迎指正错误） Introduction　　隐私：整个人脸　　可用性：是看起来自然的人　　文章基于CGAN架构，模型以被遮蔽敏感信息的人脸为输入，以真实人脸中的若干个关键点为条件信息生成假人脸。合成人脸在匿名的同时保留数据分布，使数据适合于进一步训练深度学习模型。包含真实人脸的图像　　   遮蔽敏感信息与关键点提取　　　　   合成图像Methodology　　　　模

CIAGAN:ConditionalIdentityAnonymizationGenerativeAdversarialNetworks2020CVPR　　2005.09544.pdf(arxiv.org)（个人理解，欢迎指正错误） Introduction　　隐私：整个人脸　　可用性：是看起来自然的人　　文章去除真实人脸的同时生成了高质量的假人脸，可用于支持跟踪、检测等计算机视觉任务。与先前工作相比，本文的创新处在于可以在一定程度上控制人脸匿名效果，依据给定的身份参照指导假人脸的合成，到达合成图像接近参照图像的效果。　　文章指出，他们的的关键观察是，许多计算机视觉任务，如人的检测、多人跟踪、

CIAGAN:ConditionalIdentityAnonymizationGenerativeAdversarialNetworks2020CVPR　　2005.09544.pdf(arxiv.org)（个人理解，欢迎指正错误） Introduction　　隐私：整个人脸　　可用性：是看起来自然的人　　文章去除真实人脸的同时生成了高质量的假人脸，可用于支持跟踪、检测等计算机视觉任务。与先前工作相比，本文的创新处在于可以在一定程度上控制人脸匿名效果，依据给定的身份参照指导假人脸的合成，到达合成图像接近参照图像的效果。　　文章指出，他们的的关键观察是，许多计算机视觉任务，如人的检测、多人跟踪、