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

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

本文介绍了一个使用新型生成器的端到端框架来生成逼真的人像。该框架高度灵活，可通过处理不同的人像因素实现可控制性，并采用自适应补丁规范化技术，在两个基准数据集上成功生成真实和视觉上吸引人的结果。

Jul, 2020

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

本文介绍了一种名为 PISE 的新型人物图像合成和编辑的生成模型，该模型分为两个阶段。第一阶段：利用语义分割图解析人物的衣服外形；第二阶段：生成最终的图像。在此基础上，提出了一种全局和局部带区域编码的归一化方法，以预测看不见区域合理的衣服样式，同时提出了空间感知归一化以保留源图像中的空间相关性。实验结果表明，与现有方法相比，该模型在人体姿势迁移方面表现出了卓越的性能，同时还能应用于人物图像编辑等方面。

Mar, 2021

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

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深度学习的神经模型，应用最新的空间自适应实例规范化技术来解决源网格姿势传递到目标网格上。通过实验证明，所提出的模型可以有效地传递源到目标网格的变形，并具有很好的推广能力来处理未见过的网格姿势。

Mar, 2020