使用多源数据集和连续生成对抗网络设计了 UnitedHuman 框架，解决人体生成中的高分辨率问题，提高了生成图像的质量。

Sep, 2023

本研究设计了一种人类图像生成的生成模型，能够控制姿势，不同身体局部的外貌以及服装风格，能够生成高逼真度的图像，并在不同方面表现出色，如姿态控制、部位和服装转移以及关节采样。

Mar, 2021

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

本研究旨在通过限定人体的粗略轮廓并控制特定服装类型实现真实人体图像的完整生成建模。我们提出了一种端到端可训练的生成式对抗网络架构，它提供了细节控制来生成具有高逼真度的图片，同时无需成对的训练数据，不必拟合 3D 姿势到 2D 图像的困难问题。该模型允许对基于目标领域的图像或标记特定的类别样式（例如 T 恤）进行条件生成。我们对该架构和每个独立要素的贡献进行了充分的实验评估，并通过大规模知觉研究表明，我们的方法可以生成逼真的图像，并且如果面部被模糊化，参与者很难识别真实的图片和虚假的图片之间的区别。

Jan, 2019

通过基于扩散模型的 HumanWild 方法，我们展示了由生成模型创建的合成数据与计算机图形渲染数据互补，从而在 3D 人体姿态和形状估计方面在多样化的真实场景中实现了卓越的泛化性能。

Mar, 2024

用 Partition-Controlled GAN 生成符合目标姿势和背景的人类图像，模型通过提取和融合外观特征、姿势特征和背景特征来生成期望的图像，实验表明该方法不仅可以生成逼真的人类图像，还能符合预期的人体姿势和背景。

Nov, 2018

本文提出了一种新方法，称为 StylePoseGAN，用于合成具有姿势和部位外观显式控制的照片真实感的人类图像，并能够将其用于虚拟换装、动作模仿和新视角合成等应用中。

Feb, 2021

本调查在人相关的视觉任务中首次提供了对数据增强技术的全面分析。它深入研究了人物 ReID、人体解析、人体姿态估计和行人检测等广泛的研究领域，解决了过拟合和有限训练数据在这些领域中带来的重要挑战。我们将数据增强方法分为两类：数据生成和数据扰动。数据生成包括基于图形引擎的生成、基于生成模型的生成和数据重组等技术，而数据扰动分为图像级和人体级扰动。每种方法都针对人相关任务的独特需求进行了定制，其中一些方法适用于多个领域。我们的贡献包括广泛的文献回顾，深入洞察这些增强技术在人相关视觉中的影响，并突出每种方法的细微差别。我们还讨论了开放问题和未来方向，例如融合像潜扩散模型之类的先进生成模型，以创造更真实多样的训练数据。这项调查不仅概括了人相关视觉数据增强的当前状态，还为未来研究制定了计划，旨在开发更强大、准确和高效的人相关视觉系统。

Mar, 2024

该论文提出利用深层学习方式进行人脸识别，通过生成对抗网络 GAN 生成虚拟多样的人脸数据集，以减小数据集的偏差对模型预测性能的影响。

May, 2023

使用 StyleGAN 模型生成了一个鲁棒的人脸图像数据集，通过控制生成过程并为不同的下游任务进行注释，实现了数据集在不同人群中的平衡分布。

Aug, 2023