本文介绍了一种基于结构感知流的方法，利用语义部分将人体分解，来应对人物姿态变换并生成高质量图像，网络模块能够有效地捕捉人体局部和全局语义特征，实验结果表明，该方法在生成高质量图像方面胜过其他方法。

Feb, 2021

提出了一种新的两阶段框架来处理姿势和外观的转化，通过区域自适应规范化，利用区域风格指导目标外观生成，生成更语义化、一致性和逼真的结果。

Apr, 2021

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

本文提出一种利用人体关键点注释的方法生成合成数据，并利用这些数据进行半监督学习，进而提高人体语义部分分割准确率。在 PASCAL-Person-Part 数据集上，我们的方法优于强监督模型 6 mIOU，达到了最先进的人体分割结果。

May, 2018

本文提出了一个基于两级分层变形的自适应人体姿态转移网络，使用门控卷积动态选择图像的重要特征并逐层自适应变形，通过更少的参数快速收敛并在服装纹理转移等任务中获得更好的性能。

Dec, 2020

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

本文介绍了 Soft-Gated Warping Generative Adversarial Network（Warping-GAN）的开发，该网络利用了灵活轻便的规避块，以在生产人像时处理任意姿势等大尺度几何变换，并在两个大型数据集上得到了显着优越的表现。

Oct, 2018

提出一种新颖的多层次统计转移模型，通过注意力机制和属性统计学习最优的外貌表示，将其传输到姿势引导生成器进行外貌和姿势的重构，从而实现自主驱动的人物图像生成，实验证明该方法在 DeepFashion 数据集上表现出色。

Nov, 2020

本文提出了一种基于新颖的深度生成模型的图像迁移方法，可以在保持服装一致的情况下将一个人的图像从一个给定的姿势转移至一个新的姿势，使用图像编码器、姿势编码器和解码器的结构，同时利用两个鉴别器来指导产生过程。经过严格的实验，在两个数据集上定量和定性地验证了该方法的效果。

Jun, 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