音声から顔画像を生成する先行研究はあるが，背景や髪形など音声からは予測不可能な要素が多い．そこで，顔の幾何形状の復元に焦点を置いている． 新たなデータセットとして，VoxcelebとVGGFaceの2つの既存データセットをベースとしたVoxceleb-3Dを提案． 音声から顔の幾何形状を予測する手法を提案．教師学習に加え，顔の3Dスキャンの収集は困難なことから教師なしの手法も提案している．

初めて聞く音声を与えても，大まかな復元は可能である．一方，皺などの詳細は難しい． 異なる発話区間を入力した際の比較では，形状に関しては一貫性を確認している．一方で，画像復元をした場合の背景はバラバラであり，形状に焦点を置くことで曖昧さがなくなるとしている．

プロジェクトページ：https://choyingw.github.io/works/Voice2Mesh/index.html