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来自头皮的细丝。然而，从头发的表面图像重建这些细丝存在着显著的挑战。获取地面真实数据（Ground Truth，GT）的困难导致最先进的基于学习的方法依赖于使用手动准备的合成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。在本研究中，我们提出了一种基于优化的方法，消除了预训练的需要。我们的方法将头发细丝表示为从头皮生长的线段，并使用一种新颖的可微分渲染算法进行优化。为了稳健地优化大量纤细的显式几何形状，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细丝初始化以及利用几何连通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，我们的方法能够以绝对方向重建头发内部流动。我们的方法表现出稳健和准确的反渲染，超过了现有方法的质量，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发丝的问题，而不需要使用合成的CG数据进行预训练，从而降低成本和复杂性。

论文提出了一种基于优化的方法，将发丝表示为从头皮生长的线段，并使用新颖的可微分渲染算法进行优化。该方法具有3D方向估计、Laplace方程的发丝初始化和重新参数化等特点，能够重建绝对方向的内部发丝流。相比现有方法，该方法展现出更高的鲁棒性和精度。

论文的实验设计充分，使用了真实数据集，并在速度和质量上都有所提升。论文提出的方法能够解决实际问题，同时降低了成本和复杂性。值得深入研究。

最近在这个领域的相关研究包括：'HairNet: Single-View Hair Reconstruction using Convolutional Neural Networks'，'DeepBlending: Example-Based Deep Hair Matting and Blending'，'Hair Segmentation and Structure Estimation from a Single Image'等。