本研究提出了一种新方法，可以从穿着衣服的 3D 扫描序列中恢复个人化的人体形状，其性能在姿态估计和形状估计方面均优于现有技术。

Mar, 2017

使用 RGB 图像进行三维人体形状和姿势估计是一个具有挑战性的问题，具有增强 / 虚拟现实、医疗保健和健身技术以及虚拟零售等潜在应用。本研究调查了并比较了当代舞蹈和表演艺术领域中的三维人体形状和姿势估计方法，重点关注人体姿势和着装、摄像机视角、光照条件和背景条件。我们证明了当舞者进行当代舞蹈表演时，多帧方法（如 PHALP）比单帧方法更能提供更好的姿势估计结果。

Jan, 2024

本文提出了一种从单张照片中预测着装人体几何形状的新方法，包括三个关键点：一个新数据集，一个新的形状参数化算法和一个端到端的深度生成网络。

Apr, 2019

该研究综述了人体形状和服装估计领域的重要工作，主要关注人体形状估计、时尚生成、关键点检测和属性识别四个方面，并讨论了最新发展、优点、局限以及方法和结果的定性差异，旨在提供对该领域的全面理解并激励未来的研究。

Feb, 2024

本文中，我们从最大可获得的商业扫描数据库中重建了一个广泛使用的统计人体表示，并使得产生的模型对社区可用。我们为了学习模型而预处理了几千次扫描，因此开发了强大的最佳实践解决方案，以排列扫描。我们在广泛的评估中展示出新模型的改进准确性和普遍性，并显示了它对于从稀疏输入数据中恢复人体的改进性能。

Mar, 2015

提出了一种模块化和简单的高度标准化方案，通过将主体骨架重定位到所需位置，标准化比例并解脱两个变量之间的关系，显著提高了部分身体测量估计。此方法在多视图设置下也具有适用性。

Apr, 2024

本研究提出了一种基于 DeepCut 和 SMPL 模型的 3D 姿态估计方法，能够从单张无约束的图像中自动预测人体的姿态和形状，实现了对人体结构和运动的精确推断。

Jul, 2016

在本研究中，我们定义和研究了一个新的 Cloth2Body 问题，其目标是从 2D 服装图像生成 3D 人体网格。与现有的人体网格恢复问题不同，Cloth2Body 需要解决输入的局部观察和输出的高度多样性带来的新挑战。我们提出了一个端到端的框架，从 2D 服装图像准确估计参数化为姿势和形状的 3D 体网格，并通过实验结果证明该框架达到了最先进的性能，在对齐服装的同时能够有效恢复自然而多样化的 3D 人体网格。

Sep, 2023

本文提出了一种新的人体姿势变形建模方法，并设计了一种基于扩散的运动先验。通过非刚性运动结构重建 3D 人体骨骼的任务分为估计 3D 参考骨架和逐帧骨架变形。同时使用混合时空 NRSfMformer 从 2D 观察序列中估计每一帧的 3D 参考骨架和骨架变形，并将它们相加得到每一帧的姿势。最后，使用基于扩散模型的损失项确保管道学习正确的先验运动知识。最终，在主流数据集上评估了提出的方法，并获得了优于现有技术的结果。

Aug, 2023

本文提出了一种端到端可训练模型，以单个 RGB 图像感知 3D 场景，估计相机姿态和室内布局，并重建人体和物体网格。通过对所有估计方面施加全面而复杂的损失，我们证明了我们的模型优于现有的人体网格方法和室内场景重建方法。据我们所知，这是第一个在网格级别输出对象和人体预测，并对场景和人体姿态进行联合优化的模型。

Dec, 2020