FurE 用人类头发先验把动物毛发重建的逐股训练从 10.5 小时压到 52 分钟，并在真实野牛序列上跑通

FurE 把昂贵的逐股学习搬到低维隐空间：在每个采样发根处预测紧凑的形状系数，再由一个用人类头发数据预训练的 PCA 解码器映射为局部发股几何，并按发长缩放、用发股对齐的圆柱高斯渲染。 此前 SOTA（如 NeuralFur）在完整三维发股空间做稠密逐股优化，代价高昂；FurE 改为优化以发根为条件的隐码，同时保留显式、可编辑的发股表示。 论文报告在 Artemis 数据集的五个合成毛发风格上训练，发股训练 52 分钟、预处理 1 小时，对比 NeuralFur 的 10.5 小时与 10 小时；在合成老虎资产上以艺术家生成的发股真值计算 precision/recall/F-score，FurE 在 2/20、3/30、4/40 各阈值下均高于 GaussianHairCut 与 NeuralFur，例如 4/40 阈值下 F-score 为 50.86 对 46.84 与 37.93。

论文提出把“去毛”（估计毛发之下的皮肤表面）当作局部壳层估计问题：用高斯 Frosting 的壳宽作为局部毛发厚度线索，再用部位级先验校准，求解平滑的内向顶点位移，得到发根附着网格，且不依赖 SMAL 模板拟合。 NeuralFur 的去毛依赖模板拟合与部位级语义估计；FurE 改用局部 Frosting 线索加部位先验，并用 ALIGN-Parts 直接做部位分割，去掉 SMAL 拟合依赖。 论文说明壳宽并非皮肤深度或发长的直接测量，因此用部位级参考校准，并对弱支持区域更多依赖部位估计；消融显示去掉去毛网格后视觉相似但方向与曲率指标不一致，固定长度则在身体与腹部等毛发较长的区域明显失准。

论文展示人类头发先验可以迁移到动物毛发，从而绕开动物毛发训练数据的缺失，并保持实例级重建：每个目标动物仍用其自身多视角图像优化与微调。 人类头发与动物毛发在长度、密度、生长方向上差异明显，此前缺少动物毛发数据集；FurE 用 PERM 的人类头发 PCA 基初始化解码器，把这一先验当作可迁移的紧凑表示。 论文以消融对比固定长度、仅形状先验（无去毛网格）与完整方法，并报告在四个 Artemis 合成场景上的长度一致性、曲率与方向等无监督几何指标，以及 PSNR/LPIPS/SSIM 渲染指标，FurE 在多数指标上略优于 NeuralFur 与 GaussianHairCut。

论文报告了据作者所知首次从含噪真实世界多视角图像做实例级、基于发股的动物毛发重建，并公开了相应的多视角数据。 此前工作主要在合成数据上验证；论文指出 NeuralFur 在该真实野牛序列上无法恢复底层几何表面，因而无法重建连贯毛发。 证据为真实野牛序列上的定性结果与对比图，论文同时说明该序列的底层几何失败会阻断毛发重建；作者也指出真实动物静态稠密多视角采集本身困难。

这一结果面向拥有已标定多视角图像、且能提供度量尺度参考的静态动物实例：在此设定下，FurE 可在不到一小时内完成发股训练，输出显式、可编辑的发股，可直接导入 Blender 与 Unreal Engine 等引擎，并支持风场等物理模拟。对希望绕开动物毛发数据集、又需要实例级毛发资产的研究者与内容制作方，它提供了一条以人类头发先验替代动物数据、以低维隐码替代稠密逐股优化的路径；论文同时公开了真实野牛序列的多视角数据，便于后续在真实样本上继续验证。

论文自述的边界值得留意：评估缺少部位内强局部变化（如剃毛斑块、伤口、不规则修剪）的真值案例，这类情形正是检验局部 Frosting 线索与部位先验谁更可靠的地方；FurE 把毛发表示为单一发根表面上的单层发股，且发根表面在发股优化之前就已估计，多层毛被与发根位置和发股几何的联合优化被列为后续工作。此外，去毛依赖初始 Frosting 线索与稠密相机视角，严重自遮挡会削弱壳厚与发长估计；厘米级长度初始化需要度量参考，论文说明目前没有经过验证的自动回退方案。真实野牛序列的结果以定性为主，其可复现程度取决于公开的多视角数据。本总结基于论文全文与其摘要，未逐项核对附录中的全部图表数值。