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

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

本文提出了第一个基于图像的全身穿着人群生成模型，通过从大规模图像数据库中学习生成模型，我们克服了人体姿态、形状和外观方面的高变异性挑战，并提出了一种可分解生成模型以生成逼真的人物图像。该方法有效地实现了数据驱动的人物生成方法。

May, 2017

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

本文提出了一种新方法，称为 StylePoseGAN，用于合成具有姿势和部位外观显式控制的照片真实感的人类图像，并能够将其用于虚拟换装、动作模仿和新视角合成等应用中。

Feb, 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

GarmentGAN 是一种使用生成对抗方法进行图像化服装转移的算法，可以根据用户提供的两张图像，合成新的虚拟试衣图片，通过在训练中加入分割地图和人体关键点信息，提升了图像的真实性和效果。

Mar, 2020

用 Partition-Controlled GAN 生成符合目标姿势和背景的人类图像，模型通过提取和融合外观特征、姿势特征和背景特征来生成期望的图像，实验表明该方法不仅可以生成逼真的人类图像，还能符合预期的人体姿势和背景。

Nov, 2018

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