本研究提出了一种新方法，可以从穿着衣服的3D扫描序列中恢复个人化的人体形状，其性能在姿态估计和形状估计方面均优于现有技术。
Mar, 2017
本文提出了一种从单张照片中预测着装人体几何形状的新方法，包括三个关键点：一个新数据集，一个新的形状参数化算法和一个端到端的深度生成网络。
Apr, 2019
本研究提出了从单张照片推断出详细的全身人体形状的简单而有效的方法，其将形状回归转化为图像转换问题，并使用纹理图来估计细节的法线和位移图，能够将细节添加到低分辨率的光滑身体模型中，尽管仅使用合成数据进行训练，但该模型在真实世界的照片上表现良好。
本文提出了一种基于深度图的非参数方法，用于从单个RGB图像中估计人体的3D形状，并结合对抗训练进行优化，并在真实数据集上进行了验证。
Aug, 2019
使用多视角图像建议一种可伸缩的神经网络框架来重建SMPL模型子空间中的人体3D网格，并在现实图像上表现优异，特别是在形状估计方面。
本文提出了一种使用偏振线索高效获取物体形状和空间变化反射的新方法，其中偏振成像与深度学习相结合，可以在正面闪光照射下使用单视角偏振成像实现高质量估计物体形状和反射。
May, 2021
该研究提出了一种新的基于数据驱动和物理学先验信息的场景级别单极化图像法线估计方法，并且建立了第一个真实场景级别形态恢复数据集。该方法采用了多头自注意力与视图编码来处理在野外环境中形成的极化杂波和联机投影问题，实验结果表明，相对于现有的形态恢复方法，该方法具有更好的性能。
Dec, 2021
在本研究中，我们定义和研究了一个新的Cloth2Body问题，其目标是从2D服装图像生成3D人体网格。与现有的人体网格恢复问题不同，Cloth2Body需要解决输入的局部观察和输出的高度多样性带来的新挑战。我们提出了一个端到端的框架，从2D服装图像准确估计参数化为姿势和形状的3D体网格，并通过实验结果证明该框架达到了最先进的性能，在对齐服装的同时能够有效恢复自然而多样化的3D人体网格。
Sep, 2023
本文介绍了一种利用极化成像的端到端深度学习方法来实现物体表面法线的高精度三维重建的方法，并通过定量和定性的评估结果表明，该方法相较于基于物理的方法在整个数据集上能够以最低的平均角误差（MAE）值为18.06度来准确重建物体表面法线。
Jun, 2024
提出了一种基于反渲染的新型框架，通过学习分离部分偏振弥散和镜面反射成分来估计具有混合偏振的对象和场景的三维形状，并在完全自我监督的环境下解决了缺少地面真实表面法线数据、已知折射率和受限扫描仪分辨率的问题。
Jul, 2024