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

本文提出了一种新的姿态转换方法，通过使用组合神经网络，预测人的轮廓，服装标签和纹理，并在推理时利用训练有素的网络生成一个外观及其标签的统一表示，以对姿势变化做出响应，并使用背景完成外观的呈现，从而实现保留人物身份和外观，具有时间上的一致性和泛化能力。

Dec, 2020

该研究提出了一种人体姿势转换的新方法，通过估计稠密和内部的 3D 外观流来更好地指导姿态之间像素的转移，并通过该方法生成了真实的目标姿态图像。

Mar, 2019

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

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

本文提出了一种无监督学习的姿态引导的人物图像生成方法，通过将生成人体的硬映射分解为语义解析和外貌生成两个子任务的形式，实现了人体的变形生成。

Apr, 2019

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

本研究提出了一种新的自我监督框架，用于三维姿势传输，并利用潜空间中的对比学习约束，实现无监督，半监督和全监督设置下的对比度学习。实验结果表明，我们的方法在受监督的 3D 姿势转移方面取得了最先进的结果，在无监督和半监督设置中取得了可比较的结果。

Apr, 2023

本文提出了一种基于姿态引导的方法来以可分离的方式合成人类视频：可信的运动预测和协调的外观生成，旨在探索并掌握视频合成中人体姿态的本质动态和诠释能力，并在保持外观连贯性的同时处理异常和嘈杂数据，实验证明其优于现有技术。

Jul, 2018