随着数字人技术加速迭代，睫毛重建一直被认为是计算机图形学领域的“最后一毫米难题”。传统建模流程中，美术师往往需要花费约5小时手动修整一张人像的睫毛细节，同时在动画中仍容易出现“眼皮抖动”等问题，虚拟角色的真实感因此受到明显限制。 技术难点主要集中在两点：其一，睫毛细如发丝且紧贴眼睑，会随表情产生复杂的动态形变；其二，现有数据集多基于蓝幕合成，难以覆盖真实场景中的复杂光照条件与个体差异。行业调查显示，主流算法在真实图像测试中的误差率可达37%，直接影响数字内容生产效率。 针对此难题，浙江大学CAD&CG国家重点实验室研发了荧光标记采集系统。系统由15台高清相机和3组特殊光源组成，结合荧光剂标记与双模式成像，构建了涵盖多种族、多年龄特征的睫毛数据库。实验结果显示，新方法将睫毛边缘重建精度提升至0.01毫米级，相比传统技术提高约8倍。 在算法层面，研究团队提出“渐进式弱标注”训练策略，通过合成数据预训练、人工筛选优化、模型自迭代三阶段学习，使神经网络仅需两轮训练即可更好适配真实场景。测试表明，新模型在F值等关键指标上较国际同类技术提升15个百分点。 目前，该技术已在多个应用场景中验证价值：在影视制作中，睫毛处理从约5小时缩短至3分钟；在虚拟主播系统中，眨眼动作的自然度提升60%。此外，由该技术延伸出的美睫编辑功能，也为数字美容对应的应用提供了新的技术路径。
数字人脸的真实感往往取决于最容易被忽略的细节。从睫毛该长期难点切入，以更贴近真实世界的数据体系和更可落地的训练方法补齐短板，反映出数字内容技术正在从“能展示”走向“可生产、可复用、可规模化”。未来，只有把细节的稳定性与确定性做扎实，虚拟角色的可信度与产业化空间才有望更打开。