本文介绍了 BodyMap，一种基于 Vision Transformers 的新框架，用于在野外图像与 3D 模板之间获取高清全身和连续密集的对应关系，并展示了其在多层密集布料通信，神经渲染和外观交换等方面的应用。

May, 2022

采用端到端的深度学习方法建立密集的形状对应关系，并随后压缩 3D 全身重建数据。

Oct, 2018

本文提出了一种使用神经网络在高度自由的 RGB 图像中计算面部对应关系的最简单有效的方法，使用渲染可变姿势、表情、照明和遮挡的多样化三维面部模型生成大量人工数据集，结合真实照片培训表现在精度和速度上优于现有方法，并可以成功地处理极端姿势变化、遮挡和光照条件。

Sep, 2017

本研究提出了一种无模型的 3D 人体网格估计框架 DecoMR，通过显式建立网格和局部图像特征在 UV 空间中的密集对应关系来重建人体 3D 网格，并设计了一种新的连续 UV 映射，优于现有的基于 3D 网格的方法。

Jun, 2020

本文提出使用卷积神经网络进行端到端直接重建人类三维几何通过体积回归，无需拟合形状模型，能够从多种输入类型训练并处理姿态变化和细节重建。

Sep, 2018

本文提出了一种从稠密对应的人体部位进行学习的方法，通过构建 2D 像素与 3D 顶点之间的桥梁，提出了解决非线性、位移等问题的 Decompose-and-Aggregate 网络（DaNet），并给出了一种利用空间关系的位置辅助旋转特征细化策略来提高鲁棒性的姿态预测策略，发现该方法显著提高了重建性能。

Dec, 2019

本文提出了一种利用深度学习框架将每个像素映射到特征空间的方法来构建人类图像之间的密集对应关系，并提出了新的损失函数来推动特征根据它们在表面上的测地距离分开，实现视觉上相似的部分差异化以及通过统一的特征空间对不同的主题进行对齐，实验结果表明，该特征空间可以对图像之间产生准确的对应关系，并具有明显的推广能力。

Mar, 2021

本文提出使用卷积神经网络和编码器 - 解码器神经网络从单张彩色图像中直接回归 3D 人体网格，利用高效的 3D 人体形状和姿势表示方法，在 Human3.6M、SURREAL 和 UP-3D 等多个 3D 人体数据集上实现了最新性能。

Mar, 2019

本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。

Jun, 2016

本研究探讨了卷积神经网络在处理单目视觉下 3D 人体姿态感知任务方面的能力，通过将时间维度编码在卷积空间中的第三个维度，直接回归到 3D 坐标空间中的人体关节位置，从而在选定的 Human3.6M 数据集上展示了该网络达到了最先进的性能。

Aug, 2016