本论文提出了新颖的姿势引导人物生成网络（PG2），该网络可以基于人的图像和新颖的姿态来合成人体图像。PG2的生成框架明确利用了姿势信息，并包含两个关键阶段：姿势整合和图像细化。实验表明，该模型可以生成高质量、具有令人信服细节的人体图像。

May, 2017

本文提出了一种基于深度学习的人体姿势估计方法，采用生成对抗网络作为学习模式，在两个相同结构的堆叠沙漏网络中设定生成器和判别器，生成器用作人体姿势估计，判别器将真实热力图与生成的热力图区分，通过对抗损失反向传播至生成器，使生成器学习合理的人体各部分构造，提高预测准确性。

Jul, 2017

本文提出了一种使用生成式对抗学习的新方法，用于综合产生任意姿势的具有照片级真实感的人物图像。研究通过无监督的方式来处理此问题，并且将其分解成两个主要子任务，一是姿势条件的双向生成器，二是定义一个新型的损失函数，包含内容和风格项，旨在生成高感知质量的图像，可以在DeepFashion数据集上进行广泛的实验验证。

Sep, 2018

本研究旨在通过限定人体的粗略轮廓并控制特定服装类型实现真实人体图像的完整生成建模。我们提出了一种端到端可训练的生成式对抗网络架构，它提供了细节控制来生成具有高逼真度的图片，同时无需成对的训练数据，不必拟合 3D 姿势到 2D 图像的困难问题。该模型允许对基于目标领域的图像或标记特定的类别样式（例如 T 恤）进行条件生成。我们对该架构和每个独立要素的贡献进行了充分的实验评估，并通过大规模知觉研究表明，我们的方法可以生成逼真的图像，并且如果面部被模糊化，参与者很难识别真实的图片和虚假的图片之间的区别。

Jan, 2019

提出了一种新的生成式对抗网络，用于姿势转移，其生成器由一系列姿势注意传输块组成，可以生成具有更好外观一致性和形状一致性的图像，此方法能够为人物重新识别生成训练图像，并提高具体实现的效率和有效性。

Apr, 2019

本文提出了一种基于姿势和外貌信息生成人物图像的方法，使用带有“可变形跳跃连接”的生成对抗网络来解决像素对像素的错位，并使用最近邻损失来匹配生成图像中的细节与目标图像。实验结果表明，这种方法在人物再识别任务中具有很好的性能表现。

Apr, 2019

利用残差学习的方法，结合有效的数据增强技术，提出一种简单而有效的姿态转换GAN，在不需使用额外功能学习的情况下，在任意姿态下生成给定的人体图像。该方法在两个大型数据集上展现出比现有方法更优越的性能，实现了在光照、遮挡、失真和尺度方面的鲁棒性。

Jan, 2020

该研究提出了一种新颖的生成对抗网络 (XingGAN)，用于人物图像生成任务，即将给定人物的姿势转换为所需的姿势。该方法使用两个生成分支建模人物的外观和形状信息，并利用交叉的方式更新这些信息以相互提高。实验表明，该方法在两个具有挑战性的数据集上的性能比现有的图像生成方法均有所提高。

Jul, 2020

本研究设计了一种人类图像生成的生成模型，能够控制姿势，不同身体局部的外貌以及服装风格，能够生成高逼真度的图像，并在不同方面表现出色，如姿态控制、部位和服装转移以及关节采样。

Mar, 2021

本文提出了一种名为3DHumanGAN的生成对抗网络（GAN），用于合成全身人体的图像，具有在不同视角和姿势下一致的外观。该模型采用了2D卷积背骨由3D姿态映射网络调制的生成器架构，能够生成具有3D人体先验知识和一致性的逼真图像，并通过对抗学习从网络图片中学习而来。

Dec, 2022