人脸-体重模拟模型。近十几年中，研究人脸-体重模拟模型的方法并不多。Blanz和Vetter首先提出了可变形3D人脸模型（3D Ｍorphable Ｍodel），从单张图片中重建3D人脸模型。其算法效果出色且稳定，提出的3DＭＭ模型为后续人脸重建相关算法提供了坚实基础。Blanz和Vetter对上百张人脸进行扫描，组成3D人脸数据库。通过人工标记将体重、性别等特征记录在相应模型上。通过主成分分析等数据分析方法，得到不同侍征值变化对人脸模型的影响，建立诸如体重、性别、表情等复杂参数与人脸模型间的关系。Blanz提出的3DＭＭ重建效果依赖于3D人脸数据库。Blanz和Vetter提出的3DＭＭ模型可以应用在人脸－体重模拟仿真过程中。通过调整BＭI值得到变化后3D人脸模型。但是模拟体重变化结果依赖于数据库中模型。若输入图像与数据库中数据相差较大（包括不同种族、肤色、脸型等）或者变化程度较大超过数据库模型涵盖范围（过胖、过瘦等），则其模拟结果可能变得不自然。此外，变形后头发区域、背景区域也难以处理。Danino等提出了基于2D图像的人脸－体重模拟算法。此方法将人脸划分为不同区域，手工标记人脸特征点，根据体重变化程度对不同区域进行不同程度变形。其算法对正脸中性表情图片适用，速度快且鲁棒，结果在也较自然。然而人脸不同区域的变化规律是基于Danino等对人脸观察总结确定的，无法反应人脸变化与体重变化间的自然规律。此算法只能处理正脸中性表情肖像。对于背景区域直接进行拉伸操作，会引起较明显形变。