本文提出了一种基于3D人体网格恢复的单一框架，涉及到人体运动模仿、外观转移和新视角合成；同时使用液态变形GAN进行纹理、样式、颜色和面部等特征的提取和特征空间的传播，支持多个源的自适应扭曲。

Sep, 2019

该研究报告介绍了一种基于 GAN 的架构 DwNet，利用密集的姿态引导表示和改进的过程，将源图像中所需的主体外观，以纹理的形式，从一种姿势变换成所需的姿势，进而生成具有时序一致性的高分辨率人像视频，并在两个基准数据集上展现出先进的性能表现

Oct, 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

本研究提出了一种综合框架，通过使用三维身体网格恢复模块来脱离人体姿势和形状，结合注意力液态变形生成对抗网络以及一/少量样本对抗性学习，控制姿势，身体形状，面部身份，纹理，衣服细节等信息的综合合成和移植， 可以实现人体图像合成（包括人体动作模仿，外观转移和新视角合成）的高可靠性。

Nov, 2020

综述文章介绍了生成对抗网络(GANs)在图像合成领域的各种应用，包括图像到图像的转换、融合图像生成、标签到图像映射和文本到图像生成，并总结了基于模型、特定于架构、约束、损失函数、评估度量和培训数据集开发思路等各种领域进展和具体实现，并提出了未来发展的潜在方向。

Dec, 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

尝试通过对预训练 GAN 潜空间上的非线性扭曲性学习来控制底层生成因素，创新性提出了一种非监督发现可解释潜空间路径的新方法，实验结果表明这种方法替代了现有的方法，并在定量和定性上取得了更好的效果。

Sep, 2021

本文提出了一个有效和高效的三维点云生成网络——WarpingGAN，通过学习统一的局部变形函数将多个相同的预定义先验变形成驱动局部结构意识语义的三维形状，从而在一次训练后以单个轻量级网络的形式高效地生成具有各种分辨率的均匀分布的三维点云。

Mar, 2022

使用 TriA-GAN 方法实现了在任意给定姿势下综合人体图像，Latent space 与标准无条件编辑技术相容。

Apr, 2023