本研究提出一种基于深度学习的方法，通过编码器将每个组件表示为潜在编码，使用神经 ODE 对初始状态进行更新，使用解码器将形状编码和更新状态编码组合在一起重构 3D 模型，并通过身份交换训练策略来有效地解耦每个组件，从而在 4D 重建及运动转移任务中取得了显著改进。

Mar, 2021

通过观察人类运动的视觉序列，我们可以轻松猜测人在过去和未来的 3D 运动。我们提出了一个可以学习人类 3D 动力学表示的框架，通过简单而有效的图像特征时间编码。在测试过程中，学习到的时空表示能够预测具有平稳性的 3D 网格。我们的模型可以从单个图像中恢复当前的 3D 网格以及它未来和过去的 3D 运动，同时也可以通过半监督学习从带有 2D 姿态标注的自然视频中学习。我们通过对来自互联网海量未标记数据的模型训练，通过已有的 2D 姿态检测器得到伪基础真值 2D 姿态，证明了我们的模型可以自举学习并在三维动作预测任务中获得最新的性能。

Dec, 2018

HUMAN4D 是一种多模态体积数据集，提供了关于人类日常、物理和社交活动的各种姿势和动作的数据，同时提供多 RGBD、音频和音量数据。该数据集的介绍旨在推动计算机视觉和图形研究社区对空间和时间对齐的姿势、音量、mRGBD 和音频数据线索的联合研究，同时提供了人类姿势估计和三维压缩等方面的评估基线。

Oct, 2021

通过在潜在扩散框架中利用 3D 人体参数模型，介绍了一种人像动画的方法，以增强当前人体生成技术中的形状对齐和运动引导，通过捕捉源视频中的复杂人体几何和运动特征，利用深度图像、法线图和语义图来丰富潜在扩散模型的综合三维形状和详细姿势属性的条件，通过多层运动融合模块在空间域中融合形状和运动潜在表示，并通过以 3D 人体参数模型作为运动引导来执行参变形对齐，实验证明该方法能够生成准确捕捉姿势和形状变化的高质量人体动画，并且在所提出的数据集上具有优越的泛化能力。

Mar, 2024

本篇论文介绍了一种基于深度学习和连续变换函数的方法进行 4D 形状重建，使用一个鲁棒的时空形状表征方法来视觉化地表达这些形状并通过动力学模型对其进行建模，实现了四维人体重建。

Mar, 2021

本文介绍了一种通过 4DHumans 方法从单眼视频中追踪和重建人体动作的技术，通过 transformerized 版本的 HMR 2.0 网络实现人体重建，使用 3D 重建作为输入在 3D 跟踪系统中进行多人追踪并通过深度学习算法实现姿态和动作的识别。

May, 2023

提出了一种新框架，能够根据给定条件下低维空间中的形状和颜色信息的动态演化，生成连贯的 4D 序列。实验证明，该方法在生成具有颜色和 4D 网格动画的高质量 3D 形状方面具有显著优势。

Mar, 2024

本文提出了一种名为 LoRD 的新型局部 4D 隐式表示方法，具有 4D 人体建模和局部表示的优点，能够实现高保真度的重建，并在稀疏点的 4D 重建、非刚性深度融合等方面优于现有方法。

Aug, 2022

Tensor4D 是一种高效而有效的动态场景建模方法，通过 4D 张量分解来直接表示动态场景，并通过不同尺度上的分解进一步实现动态构建和渲染。在合成和现实世界场景中验证了其效果，具有高质量的动态重建和渲染功能。

Nov, 2022

本文研究应用深度学习技术将单张静态图片转化为逼真的三维动画，重点探究四维面部表情的生成。作者运用一种称为深度网格编码器 - 解码器的技术，结合表情识别模型，以高分辨率的四维扫描数据集为基础，成功地实现了对面部表情的高度逼真合成，且具有较好地泛化能力。该研究是首次尝试解决四维面部表情合成的问题。

Jul, 2020