Pix2NPHM: Learning to Regress NPHM Reconstructions From a Single Image¶

会议: ECCV 2026
论文: ECCV 2026 / 项目页
领域: 3D视觉
关键词: 单图三维人脸重建, 神经参数化头模型, 前馈隐码回归, 几何预训练骨干, 法向自监督

一句话总结¶

Pix2NPHM 用一个几何预训练的人脸专用 ViT，把单张图像直接回归成 MonoNPHM 的解耦身份/表情隐码，靠自建的 102K 个 NPHM 配准数据和基于估计法向的二维自监督训练，在 NeRSemble SVFR 与 NoW 上超过所有公开的单图人脸重建方法，前馈推理在 RTX3080 上约 8fps。

研究背景与动机¶

单图三维人脸重建的整个方法生态建立在 3DMM 之上：FLAME 这类模型把身份与表情压缩成几百维的线性 PCA 参数，正是这种低维、凸性较好的参数空间，让光度拟合、关键点回归、稠密关键点先验、可微渲染这一整条技术路线都变得可行，也让 3DMM 成为写实数字人、通用 avatar 乃至可控人脸生成模型的基础组件。但这份「简洁」是有代价的——低维线性空间根本装不下高保真的几何细节，FLAME 表达不了皮肤皱褶、鼻翼与唇部的精细形变。近年的神经参数化头模型（NPHM 系列、i3DMM 等）正是为了补上这一课：NPHM 用锚定在语义关键点上的局部 SDF 专家建模身份，再叠一个以表情隐码为条件的形变场，把几何表达力和「身份/表情解耦」同时做了出来，MonoNPHM 则进一步给出了从单目视频拟合 NPHM 的方案。解耦的隐空间对下游很关键，NPGA 这类 avatar、音频驱动几何都建立在它之上。

问题也随之而来：表达力越强，从图像反解隐码越难。MonoNPHM 走的是纯光度拟合——慢（论文实测约 150 秒），而且在真实场景里相当脆弱，遇到强光照、遮挡或夸张表情就容易失败，论文图 2 中间一栏给出的失败样例正是这个观感。这里的核心矛盾是：NPHM 的隐空间高度非凸、又没有一个好的初始化，而光度损失本身欠约束，优化器在这种空间里几乎是在盲走；反过来，回归式方法（DECA、MICA、EMOCA、SHeaP）之所以又快又稳，是因为它们学的始终是低维 3DMM，靠的是成熟的数据与监督配方。NPHM 的回归器迟迟没人做出来，卡在两点上：一是缺少大规模、高质量的 NPHM 配准数据（公开的 3D 人脸数据集格式五花八门，没有现成的 NPHM 标注）；二是直接回归隐码本身训不动——论文明确报告直接监督预测隐码与真值隐码之间的距离无法收敛。

本文的切入角度是把复杂度从推理时整体搬到训练时：既然 NPHM 隐空间难优化，那就用海量数据训一个前馈预测器去「背下」这个映射，推理时只需一次前向；拟合精度若仍不够，再把这个预测当初始化和正则锚点做少量测试时优化。为此作者自建了两块基础设施——把五个 3D 数据集与大规模 2D 视频统一配准进 NPHM 空间（共 102K 个 3D 形状），以及用图像法向估计器提供伪真值的二维自监督损失。核心 idea：用几何预训练（逐像素法向 / 规范点图）的人脸专用 ViT 作为编码骨干，配合可学习分类 token 直接回归 MonoNPHM 的 66 个身份 token 与表情隐码，在 SDF 空间以三维损失监督、在渲染法向上以二维自监督补充数据多样性，从而把 NPHM 从「理论可用」变成「工程可用」。

方法详解¶

整体框架¶

任务是给定单张图像 \(I\)，估计 MonoNPHM 的身份隐码 \(\mathbf{z}_{id}\) 与表情隐码 \(\mathbf{z}_{ex}\)，再由 MonoNPHM 解码成三维几何。解码端固定不动：MonoNPHM 内部由一个以 \(\mathbf{z}_{ex}\)（并受 \(\mathbf{z}_{id}\) 调制）为条件的反向形变场，把空间中的查询点拉回规范空间，再由一个以 \(\mathbf{z}_{id}\) 为条件的规范 SDF 给出符号距离值，即

\[\mathcal{F}_{\text{NPHM}}:\ (\mathbf{x},\mathbf{z}_{id},\mathbf{z}_{ex})\mapsto \text{SDF}(\mathbf{x}),\]

一旦拿到隐码，用 marching cubes 就能抽出网格——所有实验都直接用 MonoNPHM 的公开 checkpoint，本文只负责从图像推测隐码这一步。编码端是两路几何预训练 ViT（\(E_n\) 与 \(E_p\)），把图像编码成 token 序列；序列尾部拼接可学习分类 token，送进若干层 Transformer 后由 MLP 头分别读出 \(\hat{\mathbf{z}}_{id}\) 与 \(\hat{\mathbf{z}}_{ex}\)。训练信号来自两支：3D 数据上直接比对预测隐码与真值隐码诱导出的 SDF 场，2D 视频上把渲染法向与估计法向对齐。推理时可选地再做几步测试时优化，把前馈结果当初始值和正则目标继续精修。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入单张图像"] --> B["几何预训练的人脸专用 ViT 骨干<br/>法向 / 规范点图双编码器"]
    B --> C["分类 token 解码解耦的 NPHM 隐码<br/>66 个身份 token + 表情 token"]
    C --> D["MonoNPHM SDF 解码<br/>反向形变场 + 规范 SDF"]
    D --> E["以回归结果为锚的测试时优化"]
    F["SDF 空间的三维监督<br/>102K NPHM 配准数据"] -->|训练监督| C
    G["法向渲染驱动的二维自监督<br/>大规模 2D 视频"] -->|训练监督| C

关键设计¶

1. 几何预训练的人脸专用 ViT 骨干：换掉通用视觉特征，编码器直接学「人脸几何」

单图重建本质上是欠定的，唯一的解法是用数据先验把歧义压下去，那么「图像该被编码成什么特征」就成了第一个要回答的问题。现有做法——包括作者自己之前的 Pixel3DMM——要么直接用 DINOv2 这类通用自监督特征，要么把估计出的法向再喂给 DINOv2。本文认为头像场景有一个通用场景没有的优势：人脸有唯一、可定义的规范坐标系（不像 DUSt3R、VGGT 那样必须用相对坐标系处理任意场景），所以可以定义一个像素对齐的绝对几何回归目标。于是作者先按 Pixel3DMM 的编解码器结构与训练策略，在逐像素几何任务上预训练两支 ViT 编码器：\(E_n\) 负责预测表面法向，\(E_p\) 负责预测规范点图（每个像素在规范头部坐标系里的三维点），对应的解码器 \(D_n\) / \(D_p\) 把 token 序列还原成 \(H\times W\times 3\) 的图。预训练完成后解码器被丢弃，只保留这两支已经「懂人脸几何」的编码器当骨干；按图 3 的标注，回归器训练阶段骨干是冻结的，可训的只有 Transformer 与预测头。消融显示这个选择收益很大：把骨干换成 DINOv2（无论是吃 RGB 还是吃估计法向）都明显更差，其中 DINOv2 编 RGB 的版本在 2D 训练数据上甚至没能正常收敛——通用特征里缺乏人脸几何所需的归纳偏置。

2. 分类 token 解码解耦的 NPHM 隐码：把「回归什么」从网格顶点改成隐空间 token

第二个问题是回归的目标该是什么。常见的 3DMM 回归器直接吐参数向量，但 NPHM 的身份表示不是一个稠密向量，而是一组按语义关键点组织的局部身份码加上一个全局身份码，MonoNPHM 里共 65 个局部码加 1 个全局码。本文沿用 ViT 与 TokenFace 的分类 token 范式：给这 66 个身份自由度各配一个可学习 token，再为表情隐码配一个 token，把它们与骨干输出的图像 token 序列拼接后送进 8 层 Transformer；注意力机制让每个身份 token 去图像序列里「读取」与自己那部分几何相关的证据，最后一层输出的分类 token 经 MLP 头分别映射成 \(\hat{\mathbf{z}}_{id}\) 与 \(\hat{\mathbf{z}}_{ex}\)。这种「一个 token 管一块几何」的排布与 NPHM 隐空间的解耦结构天然对齐，也是它能同时把身份和表情都估准的原因——消融中去掉点图编码器 \(E_p\)、只用法向编码器 \(E_n\) 时，posed 与 neutral 两项都出现了可测的退化。

3. SDF 空间的三维监督：不比较隐码本身，只比较隐码诱导出的几何

有了模型和数据，接下来是监督信号怎么定义。最直接的做法是让预测隐码逼近配准得到的真值隐码，但论文报告这样做训练根本不收敛——因为 NPHM 的隐空间是过参数化的，同一份几何可以由多个不同的隐码表示，逐元素的隐码距离既不对应几何差异、也在这些等价解之间来回拉扯。本文的替代方案是把监督放在隐码的函数后果上：在一批随机采样于真值表面附近的点云 \(\mathcal{X}\) 上，比较预测隐码与真值隐码诱导出的两条 SDF 场，

\[\mathcal{L}_{3D}=\sum_{\mathbf{x}\in\mathcal{X}}\big\|\text{NPHM}(\mathbf{x};\hat{\mathbf{z}}_{id},\hat{\mathbf{z}}_{ex})-\text{NPHM}(\mathbf{x};\mathbf{z}_{id}^{gt},\mathbf{z}_{ex}^{gt})\big\|_1 ,\]

也就是说，只要两条 SDF 在空间里给出的形状一致，隐码长什么样都无所谓。这一条让 3D 数据上的监督变得明确无歧义（⚠️ 缓存中该式范数下标损坏，此处按 L1 复述，以原文为准）。为了拿到这样的真值，作者做了一件工程量很大的事：把五个公开 3D 数据集（NPHM、FaceScape、DAViD、MimicMe、LYHM）先用 FLAME 配准统一到规范坐标系，再对每个形状在其表面采点、按上式优化出对应的 NPHM 隐码，最终得到 102K 个 3D 形状的配准，累计约 2500 GPU 小时（跑在 GTX1080/RTX2080 这类低端卡上并行完成），并承诺开源。这一步是「数据换精度」的关键前提：消融里不做配准、改用 IGR 点云损失直接在原始数据上训练时，NeRSemble neutral 的 L1 从 1.64 掉到 1.93、posed 从 1.65 掉到 2.05，退化幅度超过任何其他单项消融——因为 DAViD 只有单视角深度、FaceScape 的后脑勺不闭合、MimicMe 只有正脸一块，不统一到 NPHM 格式就无从施加一致的监督。

4. 法向渲染驱动的二维自监督：用估计法向代替光度，换取数据多样性

只用 3D 数据训练还有个隐患：能拿到配准的 3D 数据集毕竟有限，覆盖不到真实图像里光照、遮挡、发型的全部变化，模型容易在受控采集之外失效。本文于是把大规模 2D 视频数据集也拉进来。难点在于这些数据没有 3D 真值，也拿不到可靠的 NPHM 拟合，作者的做法是彻底放弃三维标注：相机位姿用 Pixel3DMM 的视频跟踪器估出来，监督则直接建立在估计表面法向上——用几何预训练阶段留下的 \(D_n(E_n(I))\) 得到伪真值法向图，把 MonoNPHM 里基于 NeuS 的体积渲染改成用 SDF 梯度渲染法向，再用余弦相似度对齐渲染结果与估计结果：

\[\mathcal{L}_{2D}^{n}=\frac{1}{|\mathcal{P}|}\sum_{\mathbf{p}\in\mathcal{P}}\Big(1-\big\langle \text{render}_\pi\big(\text{NPHM};\hat{\mathbf{z}}_{id},\hat{\mathbf{z}}_{ex}\big)_{\mathbf{n}},\ \hat{\mathbf{n}}_{\mathbf{p}}\big\rangle\Big),\]

其中 \(\pi\) 是注册流程给出的相机参数，\(\mathcal{P}\) 是只在人脸区域均匀采样的 50 个随机像素（MLP 体积渲染很吃显存，每条光线 32 个采样点已足够）。相比现有 FLAME 回归器最常用的球谐光度损失，法向监督的优势是梯度更「有几何含义」也更稳定——颜色可以由光照和反照率共同解释，光度误差到底该归咎于几何还是材质往往说不清（⚠️ 该式角度归一化等细节在缓存中损坏，此处按原文描述复述，以原文为准）。

5. 以回归结果为锚的测试时优化：把前馈预测变成优化的起点而非终点

前馈预测已经把结果推到 SotA，但既然几何还能再准一点，作者补了一个可选的精修阶段：以预测隐码为初始值，对 \(\mathbf{z}_{id}\)、\(\mathbf{z}_{ex}\) 以及相机参数 \(\pi\) 做梯度优化，把逐像素几何预测当目标（这里换成对法向更鲁棒的 L1 形式，相机初值来自 Pixel3DMM 的稠密关键点）。真正重要的是这个设计里「初始化」的作用——消融显示，不做前馈初始化、纯优化的变体有时根本恢复不出复杂表情（论文图 7 第一、三行的失败样例），而没有前馈先验时优化也无法正确解耦身份与表情（图 8）；用 MICA 回归的 FLAME 网格当额外约束（"w/ MICA"）能缓解一部分，但仍不如本文自己的 NPHM 前馈初始化（posed L1 1.50 vs 1.37）。这正是全文论点的直接证据：NPHM 拟合难，难在优化本身找不到路，而不是目标函数不对。

损失函数 / 训练策略¶

完整训练目标是三维损失、二维损失与隐码正则的加权和

\[\mathcal{L}_{\text{total}}=\lambda_{3D}\mathcal{L}_{3D}+\lambda_{2D}\mathcal{L}_{2D}+\lambda_{reg}\mathcal{R}(\mathbf{z}),\qquad \mathcal{R}(\mathbf{z})=\|\mathbf{z}\|_2^2 ,\]

其中隐码正则只是压制隐码范数（防止预测跑向隐空间的远端），\(\lambda_{3D}=10.0\)、\(\lambda_{2D}=1.0\)、\(\lambda_{reg}=10^{-4}\)；在 2D 视频数据上把 \(\lambda_{3D}\) 置 0，因为这类数据没有 NPHM 真值。回归器用 Adam 优化，batch size 32、学习率 \(10^{-4}\)，单张 A100-80GB 训练 4 天收敛；Transformer 为 8 层、8 头自注意力、pre-norm LayerNorm、2 层 GeLU MLP、宽度 1024。两支几何编码器各自在 2 张 A6000 上预训练 3 天。训练数据上，3D 侧共 69K 个身份 / 880K 张图 / 102K 个 3D 形状（NPHM 450 ID、FaceScape 300 ID、DAViD 65K ID、MimicMe 2000 ID、LYHM 1200 ID），2D 侧约 50K 身份 / 250K 帧，合计 119K 身份、1.13M 张图。数据清洗用简单的离群过滤：统计形状、表情、脖子与下颌参数的模长直方图，按阈值剔除异常值。一个容易被忽略但很重要的细节是，作者明确把 NeRSemble-SVFR 基准的身份从 NPHM 训练数据中排除（两者共享同一批受试者），避免评测泄漏。

实验关键数据¶

主实验¶

评测用 NeRSemble SVFR（首个同时评测「带表情重建」与「中性重建」的单图基准，后者衡量表情解耦能力）和 NoW（覆盖更多身份、光照、发型、配饰与遮挡，但只能测中性）。指标为 Chamfer 距离的 L1/L2 与法向一致性 NC（数值单位与官方基准一致，本文不另行换算），NoW 报误差的中位数/均值/标准差。

方法	NeRSemble Neutral L1↓ / L2↓ / NC↑	NeRSemble Posed L1↓ / L2↓ / NC↑	NoW 中位 / 均值 / 标准差 ↓	公开
TokenFace (前馈)	- / - / -	2.62 / 1.78 / 0.865	0.76 / 0.95 / 0.82	✗
DECA (前馈)	2.07 / 1.40 / 0.876	2.38 / 1.61 / 0.870	1.09 / 1.38 / 1.18	✓
EMOCAv2 (前馈)	2.21 / 1.49 / 0.873	2.63 / 1.78 / 0.860	-	✓
SHeaP (前馈)	1.86 / 1.26 / 0.882	2.08 / 1.41 / 0.876	0.95 / 1.18 / 0.99	✓
MICA (前馈)	1.68 / 1.14 / 0.883	-	0.90 / 1.11 / 0.92	✓
Pixel3DMM (需优化)	1.66 / 1.12 / 0.883	1.66 / 1.11 / 0.884	0.87 / 1.07 / 0.89	✓
FlowFace (需优化)	1.93 / 1.31 / 0.878	1.96 / 1.33 / 0.879	0.87 / 1.07 / 0.88	✗
Metr. Tracker (需优化)	-	2.03 / 1.37 / 0.878	0.90 / 1.11 / 0.92	✓
MonoNPHM (需优化)	2.32 / 1.56 / 0.878	2.50 / 1.68 / 0.870	-	✓
Ours（仅前馈）	1.57 / 1.06 / 0.896	1.55 / 1.05 / 0.894	0.83 / 1.03 / 0.88	✓*
Ours（前馈 + 优化）	1.54 / 1.04 / 0.897	1.37 / 0.92 / 0.897	0.81 / 1.01 / 0.85	✓*

（✓* 表示作者承诺尽快公开。表中 fwd 部分为前馈方法、其后为需要测试时优化的方法。）

同一位作者在 AffectNet 上另做了一项间接评测：用前馈方式抽取全部训练/测试图像的身份与表情参数，按 EMOCA 的做法训练一个 4 层 MLP 回归情感标注，以此检验表情参数是否真的携带语义。

模型	Arousal CCC↑ / RMSE↓	Valence CCC↑ / RMSE↓	8 类情感准确率↑
SMIRK	0.560 / 0.288	0.681 / 0.313	0.653
EMOCA	0.577 / 0.282	0.700 / 0.307	0.676
SHeaP	0.615 / 0.274	0.735 / 0.301	0.695
Ours-NPHM	0.621 / 0.273	0.739 / 0.291	0.711

推理速度方面：前馈 Transformer 在 RTX3080 上约 8fps，可选的测试时优化额外耗时 85 秒；对比之下 MonoNPHM 的拟合需 150 秒、Pixel3DMM 需 30 秒，MICA 这个 CNN 回归器为 14fps。

消融实验¶

消融在 NeRSemble SVFR 与 NoW 上进行，逐项拆掉数据配准、底座模型、输入编码方式、监督组合与优化策略。

配置	N-L1↓	N-L2↓	N-NC↑	P-L1↓	P-L2↓	P-NC↑	NoW↓	说明
Full（前馈 + 优化）	1.54	1.04	0.897	1.37	0.92	0.897	0.988	完整方法
仅前馈	1.57	1.06	0.896	1.55	1.05	0.894	1.016	去掉测试时优化
仅 3D 数据	1.64	1.11	0.894	1.65	1.11	0.890	1.074	不用 2D 视频自监督
仅 2D 数据	1.79	1.21	0.893	1.67	1.13	0.893	1.238	不用 3D 监督
3D 但不做配准	1.93	1.30	0.892	2.05	1.38	0.887	-	改用 IGR 点云损失
骨干换 DINOv2(RGB)	1.89	1.28	0.891	2.10	1.42	0.883	1.165	通用特征替代
骨干换 DINOv2(法向)	1.76	1.19	0.893	1.87	1.26	0.886	1.168	喂法向给 DINOv2
去掉 \(E_p\)	1.67	1.13	0.895	1.65	1.11	0.891	1.053	只用单支编码器
底座换 FLAME	1.71	1.15	0.883	1.81	1.22	0.881	1.073	同一回归器换 3DMM
仅优化（无 MICA 先验）	1.76	1.18	0.894	1.61	1.09	0.893	1.137	不做前馈初始化
仅优化（MICA 先验）	1.60	1.08	0.890	1.50	1.01	0.895	1.029	用 FLAME 网格约束

关键发现¶

数据配准的贡献最大。 不做 NPHM 配准、退回到在原始数据上做点云监督时退化最严重（neutral L1 1.64→1.93、posed 1.65→2.05），比换骨干或去掉某支编码器都更疼。原因不是损失函数不好，而是 DAViD 只有单视角深度、FaceScape 后脑不闭合、MimicMe 只有正脸，不统一到同一表示就无法施加一致监督。
底座模型的表达力确实被兑现了。 同一套回归器换成 FLAME 后全面变差（posed NC 0.894→0.881），说明收益来自神经 3DMM 而不仅是训练管线；顺带一提，这个 FLAME 版本的前馈结果已超过 MICA（NoW 均值 1.073 vs 1.109）和 SHeaP。
输入编码的选择比想象的敏感。 DINOv2 编 RGB 最差且在 2D 数据上不收敛，DINOv2 编估计法向在 NoW 上接近但 NeRSemble 上落后，直接用法向编码器 \(E_n\) 的 token 明显更好，再加点图编码器 \(E_p\) 又有提升——几何预训练提供的归纳偏置是实打实的。
2D 与 3D 数据互补而非可替代。 只用 3D 数据时 NeRSemble 尚可但 NoW 明显退化（1.074 vs 0.988），只用 2D 数据则 NeRSemble 与 NoW 都变差（NoW 1.238）。作者的假设是 2D 数据负责覆盖外观多样性、3D 数据负责提供无歧义的监督信号。
优化仍慢，收益集中在带表情重建。 论文图 9 显示测试时优化的收益随步数先快后平，20 步与 60 步是两个合理的时延/质量折中；优化主要改善 posed 重建（1.55→1.37），对 neutral 只是小幅提升（1.57→1.54），这说明前馈预测已经把中性几何解得很好，剩下的不确定性主要来自表情。作者认为真正的实时方案是把带优化的 Pix2NPHM 当数据生成器，蒸馏出一个更瘦的纯前馈模型。
摘要里的 21% / 6% 提升需要对照主表读。 摘要称 NeRSemble SVFR 的 L1 Chamfer 提升 21%、NoW 中性重建比最佳公开方法提升 6%，但论文没有逐项说明 21% 的确切对比基准；从主表可直接核对的是 posed L1 由最佳公开方法 Pixel3DMM 的 1.66 降到 1.37、NoW 均值由 1.07 降到 1.01。

亮点与洞察¶

「把难题留在训练时」的路线选择本身是最大亮点。 NPHM 拟合的难点是推理时优化进不去那个隐空间，本文没有去改优化器或损失，而是用 102K 配准数据把映射背下来，推理时一次前向解决。这个方法学迁移性很强：任何「表示能力强但难以优化」的神经场（例如各种 neural implicit avatar、可变形高斯）都可以考虑先解决配准/标注的规模化，再训练前馈回归器。
在 SDF 空间而非隐码空间做监督，是个便宜且关键的处理。 过参数化隐空间的等价解会让逐元素距离失去意义，把损失定义在函数输出上就自动对这些等价性免疫。同样的思路可以直接搬到任何 latent 表示（如 3DGS 的属性向量）的回归训练上。
用估计法向替掉光度损失，绕开了 2D 监督最大的坑。 球谐光度损失在真实图像上要同时解释光照、反照率与几何，梯度噪声大；法向监督把颜色变量整个移除，只要求几何朝向正确，因此在只有伪真值的 2D 视频上也能稳定训练。
「前馈初始化 + 少量优化」被当作诊断工具用。 论文用「无前馈初始化的优化会解不出复杂表情 / 解不好解耦」这一现象，反过来证明了性能瓶颈在优化而非目标函数，这种用消融来定位问题性质的做法，比单纯报一个指标更有说服力。
规范点图（canonical point map）作为预训练目标是个可复用的观察。 人脸有唯一规范坐标系，因此不必像 DUSt3R/VGGT 那样使用相对坐标、处理任意场景的尺度歧义，像素对齐的绝对三维点就可以直接当回归目标；任何有固定规范模板的类别（人体、手、特定物体）都能照搬。

局限与展望¶

性能上限受 MonoNPHM 本身约束。 作者明确指出两处：MonoNPHM 的隐空间无法可靠配准 3D 发型，导致连脸部区域的几何也受影响（因为整体配准要绕着头发妥协）；以及 MLP 体积渲染与 marching cubes 抽网格的开销很大。此外评测只覆盖面部与头部几何，不含头发、口腔内部等区域。
推断链路偏重、推理仍不到实时。 两路 ViT 骨干加 8 层 Transformer 只跑到 8fps，而真正高精度的版本还要额外 85 秒优化；论文给出的解法（蒸馏成单骨干纯前馈模型）只是方向性建议，没有实验支撑。
训练数据与评测身份的重叠需要留意。 作者主动排除了 NeRSemble-SVFR 身份，但在 2D 视频侧（V-Text、CelebV-HQ、Hallo3）并没有对应的泄漏分析，而训练数据本身尚未开源，第三方无法复核数据构成。
2D 监督依赖法向估计器的质量。 伪真值法向由 \(D_n(E_n(I))\) 给出，估计器在极端光照、大遮挡或非真实渲染图像上的误差会直接变成训练噪声，论文没有给出对法向伪真值质量的敏感性分析，也没有报告把光度损失与法向损失混合的对照。
可改进方向：作者列出的三条都值得跟进——用 2DGS 之类更快的渲染与网格抽取替换 MLP 体积渲染；把 NPHM 与回归器联合微调（而不是像现在这样完全冻结解码端）；以及把单图的固有歧义用不确定性建模、条件生成或多图（类似 VGGT 的序列建模）来消解。

评分¶

新颖性: ⭐⭐⭐⭐ 首个 NPHM 前馈回归器，数据与监督配方都是新的，但技术骨架（ViT + 分类 token + 几何预训练骨干 + 法向自监督）多为已有组件的重组与规模化。
实验充分度: ⭐⭐⭐⭐⭐ 两个主基准 + AffectNet 语义评测 + 覆盖数据/底座/骨干/监督/优化的完整消融 + 时延与测试时优化步数分析 + 下游 avatar 演示，证据链完整。
写作质量: ⭐⭐⭐⭐ 动机与方法陈述清晰、图表组织到位；摘要中 21% 提升的对比基准未逐项交代，主表存在若干空格使其行间可比性略打折。
价值: ⭐⭐⭐⭐⭐ 让高保真 NPHM 重建第一次具备工程可用性（速度快、鲁棒、可规模化），并承诺开源 102K 配准数据与模型，对数字人与下游 avatar 研究有直接推动作用。