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GAN、可变形跳跃连接和最近邻损失的方法，用于合成给定姿势下的人物图像，并在各项指标上取得了最先进的结果。
Dec, 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。
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
使用生成对抗网络与姿态引导非局部注意机制进行人体姿态转移，以促进人物再识别。
Dec, 2020
使用去噪扩散模型，我们提出了一种名为PIDM的人体图像扩散模型，解决了复杂的转换问题，并展示了在两个大型基准测试中的显着结果，以及如何在下游任务中使用生成的图像。
Nov, 2022
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