StylePeople: 全身人型头像生成模型

CVPRApr, 2021

StylePeople: A Generative Model of Fullbody Human Avatars

Artur Grigorev, Karim Iskakov, Anastasia Ianina, Renat Bashirov, Ilya Zakharkin...

TL;DR本文提出了一种基于参数化网格人体模型和神经纹理的新型全身人体化身，证明了神经纹理能够成功地建模衣服和头发，并展示了如何使用反向传播从视频的多个框架创建这些化身，进一步提出了一种适用于人体化身的生成模型，能够从人们的图像和视频数据集中进行训练，可以随机生成人体化身以及从一到几张图片中创建穿着着装的人体化身。

Abstract

We propose a new type of full-body human avatars, which combines parametric mesh-based body model with a neural texture. We show that with the help of neural textures, such avatars can successfully model clothing

human avatars parametric mesh neural texture generative model backpropagation

发现论文，激发创造

一种穿着衣物的人的生成模型

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

gDNA: 生成详细神经化身模型

这篇论文提出了一种新方法，使用前向蒙皮模块和对抗网络模型，仅从少量生动的数据中学习生成多样化的 3D 人形模型，以便能够更自然地生成身着不同服装的人形模型，并且还可用于将人形模型拟合到原始扫描数据上。

Jan, 2022

GETAvatar: 生成可动人形角色的纹理网格

GETAvatar 是一个用于生成可动画的高质量纹理和几何结构的人型化身的生成模型，通过使用显式表面建模的关节式 3D 人体表示和学习自 3D 扫描数据的 2D 法线图以实现细致的表面细节，并通过基于光栅化的渲染器实现高分辨率图像生成。

Oct, 2023

AvatarGen：可动漫人类角色的三维生成模型

本文提出 AvatarGen 方法，是第一种通过仅使用 2D 图像训练，能够生成高保真度外观和可控几何形状的、解耦式的可控人体动画的方法。

Nov, 2022

纹理神经形象

我们提出了一个学习全身神经头像的系统，该系统采用中间路径，同时估计模型表面的显式二维纹理映射，并通过卷积网络将身体特征点的配置与相机相对应，直接映射为图像中单个像素的 2D 纹理坐标。我们展示了这样的系统能够学习生成逼真的渲染，并通过与使用直接图像到图像翻译的系统相比较的值得推崇的泛化性能来展示，保持显式纹理表示对于系统的改善有所帮助。

May, 2019

生成式服装中的 3D 人物着装学习

本文提出了一种名为 CAPE 的基于 Mesh-VAE-GAN 和 SMPL 身体模型的条件服装生成模型，能够直接为 3D 人体模型着装并适用于不同的姿势。

Jul, 2019

GAN-Avatar: 可控个性化基于 GAN 的人头图像生成器

我们提出了一种从图像中学习具有人物特定的可动画化角色模型的方法，旨在解决面部表情追踪失败的问题，并实现高保真度的图像合成。

Nov, 2023

单目视频生成详细人体化身

利用单眼视频生成高保真度人体模型，通过语义纹理先验和面部标记提高人体模型质量，并采用新的纹理缝合策略，使生成的人体模型更加真实。

Aug, 2018

3DPeople: 建模穿着衣服人的几何形状

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

学习可局部编辑虚拟人

本文提出一种新的混合表征和端到端可训练的网络体系结构，以建模完全可编辑和可定制的神经化身，并设计实现一种特征码本以存储可变形体模型的本地几何和纹理特征。该模型具有 3D 一致性，并利用神经场的模建模力量。此外，该方法还可在三维资产之间交换本地特征以实现局部编辑。通过贡献一个新的高质量数据集，该方法生成了多样化的详细化身，并比现有方法获得更好的模型拟合性能。

Apr, 2023