Dr.Hair: Reconstructing Scalp-Connected Hair Strands without Pre-training via Differentiable Rendering of Line Segments

在电影和游戏行业中，实现逼真的头发外观通常涉及使用从头皮开始的发丝。然而，从观察到的头发表面图像重建这些发丝面临着重大挑战。获取真实数据的困难导致最先进的基于学习的方法依赖于使用人工准备的合成CG数据进行预训练。这个过程不仅费时费力，而且与真实世界数据相比存在领域差异的复杂性。在这项研究中，我们提出了一种基于优化的方法，消除了预训练的需要。我们的方法将头发发丝表示为从头皮生长的线段，并使用一种新颖的可微渲染算法进行优化。为了稳健地优化大量细长的显式几何形状，我们引入了利用全局优化的3D方向估计、基于拉普拉斯方程的发丝初始化以及利用几何连接性和空间接近性的重新参数化。与现有的基于优化的方法不同，我们的方法能够绝对方向地重建内部头发流动。我们的方法展现了稳健准确的反向渲染，超越了现有方法的质量并显著提高了处理速度。

论文旨在解决从头发表面图像中重建头发线条的问题，避免了需要使用合成数据进行预训练的繁琐过程，并且提高了处理速度。

论文通过将头发线条表示为从头皮生长的线段，并使用可微分渲染算法进行优化，消除了预训练的需要。同时，通过全局优化的三维方向估计、基于拉普拉斯方程的线条初始化和重新参数化，利用几何连通性和空间接近性，实现了大量细长明确几何体的稳健优化。

论文采用了新颖的不需要预训练的优化方法，能够重建头发内部流动的绝对方向，实现了鲁棒和准确的反渲染，超越了现有方法的质量并显著提高了处理速度。

在这个领域中，最近的相关研究包括使用深度学习进行头发重建的方法和基于优化的头发重建方法。例如，标题为“DeepBlending：深度拉普拉斯金字塔融合的头发重建”的论文使用深度学习方法对头发进行重建。