本论文提出了一种基于自监督学习的方法，仅仅通过一组彩色图像就能够学习到一个关节物体类的几何、外表和动作的表示，从而实现这些语义维度的独立控制，该方法不需要形态学的注释，相对于现有的采用 3D 直接监督的各种方法，使用本方法只需 2D 观测即可恢复更精准的几何和外观，并且具有少样本重建、新关节生成和新视角综合生成等众多应用。

May, 2022

该研究提出 RigNet：一种基于深度学习的自动化动画角色建模软件，通过输入 3D 模型可以精确预测骨骼结构和表面权重，并且可以比其他算法更好地模拟动态效果。

May, 2020

本文提出了一种基于堆叠沙漏模型的学习方法，用于预测具有关节的 3D 角色模型的动画骨骼系统，通过对从网络上挖掘的大型 3D 角色数据集进行训练，得到的方法非常类似于人类创作，同时保证骨骼系统与输入的 3D 模型具有结构和几何的匹配性，具有较强的可控性。

Aug, 2019

本文介绍了一种利用神经网络通过传统的皮肤技术反转所经历的变形的方法，通过预计算值来提高计算效率，可以在变形时有效地查询它们，这是计算机视觉和图形学中重要的问题。

Apr, 2020

通过利用最新的神经逆向渲染技术，我们提出了一种从单个或稀疏多视角视频中重建基于网格的混合形状系统的新技术，该技术构建了一个将顶点位移参数化为具有四面体连接的微分坐标的变形表示，通过在该表示中构建一组语义规则，实现了混合形状和表情系数的联合优化，并提出了神经回归器来模拟时变动作参数以支持用户友好的多视角设置。实验证明，我们能够通过接受单个或稀疏多视角视频的灵活输入，重建出个性化的高保真混合形状，这些形状在几何和语义上都非常准确，并且与工业动画流程兼容。代码和数据将会发布。

Jan, 2024

本文提出了一种自动将姿势转移至无骨骼的、具有多样形状、拓扑和网格连接性的风格化 3D 角色的方法，并通过新颖的统一关节模型，使用一个姿势转移网络来预测角色的皮肤绑定权重和变形变换，以匹配所需的姿势。该方法采用半监督训练方式，且具有良好的泛化能力，可广泛应用于风格化角色和非生动物体的动画制作。

Jul, 2022

通过神经网络模型，本研究提出一种新的框架来明确分解关节物体的部分运动，通过预测部分表面上的点的转换矩阵，使用空间连续的神经隐式表示来平滑地建模部分运动，在对不同类别的关节物体进行实验的数量化和质量化结果证明了我们的方法的有效性。

Nov, 2023

Neural Marionette 是一种无监督学习方法，可以从动态序列中发现骨架结构，学会生成与观察到的运动动态一致的多样化运动，无需先验知识，可泛化到多模态序列生成、两个姿势的插值和运动重新定向。

Feb, 2022

本文提出一种基于多视角视频学习的机器学习方法，自动创建可全姿态绑定的角色并生成基于姿态的绑定权重。

Jul, 2023

通过神经放射场（NeRF）驱动底层骨骼，现在可以从一组稀疏的摄像机中重构动态人体动作和形状。我们开发了一个自适应和显式的频域两支神经网络来建模与骨骼姿态相关的衣物和皮肤的变形。通过模拟不同姿势所需的唯一频率分配，我们的网络在保留细节和泛化能力方面优于现有的方法。

Aug, 2023