面部流动网络：通过多样化数据集和分解模型推进面部光流估计

本研究针对UCF101数据集，探讨光流算法对人体动作识别的影响，精细调整光流算法提升识别性能。

提出一种基于深度学习的新方法，直接处理面部图像强度，准确区分面部情感表达。

介绍使用卷积神经网络和光流特征的微表情识别方法，在多个数据库上表现优越。

开发特定用于人物运动的光流算法，构建图像序列数据库，获得更准确的运动分析结果。

DeepFaceFlow框架用于从单目图像中捕捉面部运动，结合3D损失函数进行训练，优于现有方法。

FlowFace框架成功实现面部交换，传递源面部特征至目标面部，效果逼真。

FlowFace++框架利用语义流监督进行形状感知的人脸交换，在野外数据集上表现出色。

提出基于Transformer的方法进行人脸再现，适应个人特定面部动态，评估结果显示优越性能。

创新的2D对齐网络用于改善三维面部数据的精确性，FlowFace追踪器在基准测试中表现优秀。

结合2D和3D方法的变形技术，实现稳健的面部再演，生成高质量的三维数据，超越现有技术。