探索姿态引导的人物图像生成的双重任务相关性
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
该研究提出了一种基于多头注意力机制和部位分离综合的人体图像合成方法，该方法能够更好地在保持风格的情况下实现从一种姿势转换到另一种姿势，并且在 Market-1501 和 DeepFashion 数据集上表现良好。
Oct, 2022
提出了一种简单而有效的双变压器模型用于基于文本的人物搜索，通过利用一种感知困难的对比学习策略，自动生成更多多样化的数据以改善数据不足问题，实验结果显示该方法在文本与图像之间的横向检索任务中明显优于其他方法。
Nov, 2023
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
提出了一种统一的扩散模型 UPGPT，以实现所有人物图像任务 —— 生成，姿势转移和编辑，具有精细的多模态和分离能力，无需信号分割掩模即可对图像的生成和编辑过程进行精细控制。同时，在姿势引导人物图像生成方面，率先采用了参数化身体 SMPL 模型，展示了同时进行姿势和相机视角插值而保持人物外观的新能力。在基准 DeepFashion 数据集上的结果表明，UPGPT 是新的最先进技术，同时在人类图像生成中开拓了新的编辑和姿势转移能力。
Apr, 2023
提出了一种新颖的双分图推理生成对抗网络，旨在模拟姿态与图像之间的关系，并通过部分感知的双分图推理块来实现全局结构的转换。通过三个公共数据集的实验证明了该方法的有效性。
Nov, 2022
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
本文提出了一种新型的双分图推理生成对抗网络（BiGraphGAN），用于生成具有挑战性的人物图像。该方法的关键是使用两个创新块来建立人物姿态之间的关联，分别是对姿态关系和对图像关系进行建模。实验证明，BiGraphGAN 在两个具有挑战性的公共数据集 Market-1501 和 DeepFashion 上均表现出了很好的效果。
Aug, 2020
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