参数化表示系统是这项技术的核心支柱，它决定了生成头像的表现力和灵活性。与传统的像素图像不同，这种系统通过一个629维的参数向量来定义整个头像。这种设计使头像能够在保留高度表现力的同时，用相对紧凑的数据结构来表示。 参数系统的设计充分考虑了面部表情的多样性，能够准确捕捉不同人群的特征。系统支持三种主要的矢量图形表示：用于轮廓和外线的三次贝塞尔曲线、用于高光和阴影的多边形，以及用于眉毛和头发的复合结构。这种多样化的表示能力使系统可以生成风格一致且表现力丰富的头像。 渲染过程是将抽象的参数转化为可视化头像的关键步骤。研究团队使用Python和PIL库实现了专用的矢量图形渲染引擎。渲染时，引擎按照面部特征的自然绘制顺序添加各个图层，就像艺术家绘制人脸一样，先画基础结构，再添加细节。 具体来说，渲染引擎通过输入的x、y坐标拟合曲线，并应用对应的线条粗细和颜色值。为了实现自然的笔触效果，引擎会对线条的端点进行渐细处理。这种渲染方法产生的头像不仅保持了矢量图形的清晰度和可缩放性，还具有风格一致的艺术效果。 值得注意的是，这种参数化表示和渲染方法完全避开了传统基于像素的方法的局限性。无论放大到什么尺寸，头像都能保持清晰，没有像素化或模糊的问题。这种特性使得生成的头像特别适合在需要不同分辨率的场景中使用，如从小图标到高清显示屏。 数据集的构建也是一个重要环节。研究团队邀请了393名不同年龄和种族的志愿者提供自拍照，并请专业艺术家通过参数化矢量引擎为每位参与者创建准确反映其身份的头像。这些真实的配对样本构成了系统训练的基础，尽管数量有限，但通过合成面孔生成和数据增强技术，最终扩展到了9970对样本。
