إدخال الدوال القابلة للتغيير ثلاثية الأبعاد في الشبكات العصبية العميقة يفتح إمكانات كبيرة للنماذج ذات قوة تمثيل أفضل. ومع ذلك، لتعلم هذه النماذج بصدق من مجموعة صور، يتطلب الأمر تنظيمًا قويًا للتغلب على الغموض المتعلق بعملية التعلم. هذا يمنع بشكل حاسم تعلم نماذج الوجه عالية الدقة التي تحتاج إلى تمثيل صور الوجه بدقة عالية. لحل هذه المشكلة، يقدم هذا البحث نهجًا جديدًا لتعلم الوكلاء الإضافية كوسيلة للالتفاف حول التنظيمات القوية، وكذلك كوسيلة لتعزيز الشكل واللون (albedo). لتسهيل عملية التعلم، نقترح أيضًا استخدام شبكة ذات مسارين (dual-pathway network)، وهي بنية مصممة بعناية تحقق توازنًا بين النماذج العالمية والمحلية. من خلال تحسين النموذج القابل للتغيير ثلاثي الأبعاد غير الخطي في كل من هدف التعلم وبنية الشبكة، نقدم نموذجًا يتفوق في التقاط تفاصيل أعلى من النماذج الخطية أو سوابقها غير الخطية. نتيجة لذلك، يحقق نموذجنا أداءً رائدًا في إعادة بناء الوجه ثلاثي الأبعاد عن طريق تحسين التمثيلات الكامنة فقط.