亮點：主要是提出了通過同一人多張圖來生成更精細的人臉3D模型的方案，主要框架是基于3DMM的。

Lambertian surface-朗伯面：即入射光會向所有方向均勻反射，也即漫反射的期望狀態(tài)
spherical harmonic lighting-球諧光照：就是用來模擬光照的一個方案。類似于傅里葉變換，將一個復雜的函數(shù)分解為多個正交的基底函數(shù)，通過計算他們的系數(shù)來獲得最終的結果。主要目的是為了快速模擬復雜的實時光照。
monochromatic lights-單色光：即單一頻率的光，無法發(fā)生色散。對應的是復色光，如太陽光。
模型框架：使用R-NET從圖片中提取人臉的參數(shù)（身份，表情，紋理，姿態(tài)，光照），然后使用可微分的渲染重構回2D模型，最后直接計算像素損失。
Robust Photometric Loss：計算生成圖片和原始圖片下的像素損失。計算像素損失時使用了一個基于皮膚的mask，這個mask是使用專門訓練的皮膚檢測器來提取的，用于保證loss只計算有皮膚的部分。
Landmark Loss：計算深沉圖片和原始圖片之間landmark之間的損失，這里是用了別人提供的landmark檢測模型。
Perception Level Loss：發(fā)現(xiàn)只使用以上兩個基于圖片的loss會導致3D形狀偏差較大的問題。所以作者又專門訓練了一個FaceNet，用來提取圖片的深度信息，然后再在兩個圖像上算損失。
Regularization：約束了一下texture的variance
Weakly-supervised Neural Aggregation for Multi-Image Reconstruction：作者認為同一個人的多個照片應該擁有類似的3D形狀，因此他設計了一個方式來用多張2D圖片來約束同一個3D模型。即先設計一個confidence net，用于輸出每張圖片對于目標3D模型的置信度，然后對每個圖像由R-NET預測出的shape參數(shù)基于C-net給出的置信度做加權平均，進而得到最終的3D模型。