使用基于神经场景渲染技术的新型表示方法，将结构化本地辐射场锚定到人体模板节点上，将服装变形分解为骨架运动、节点残差翻译和每个辐射场内的动态细节变化，支持各种服装类型的自动构建可动画人形化身，并在新姿势下生成真实的动态细节图像。

Mar, 2022

用动态的 3D 高斯人物场景在复杂运动和动态阴影中实现高质量的重建，具有较短的训练时间、绘制速度和重建质量。

Nov, 2023

使用 3D 高斯喷洒（3DGS），我们介绍了一种从单目视频中创建可以动画化的人体化身的方法。通过学习非刚性变形网络和引入不同性的正则化，我们的方法在训练和推理速度上比现有的技术分别快 400 倍和 250 倍，并实现了与最先进方法相媲美甚至更好的性能。

Dec, 2023

从稀疏视点（甚至单眼）动态人类视频中的未知照明条件下创建可重新照明和可动画化的神经头像是该论文的主要挑战，为了解决这个问题，作者提出了一种层次化距离查询算法来近似任意人类姿势下的世界空间距离，并基于此算法开发了首个能从稀疏视点（或单眼）输入中恢复出可动画和可重新照明的神经头像的系统，实验证明该方法比现有的方法有着更优秀的结果。

Aug, 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

我们提出了 IntrinsicAvatar，一种从仅单目视频中恢复着装人类角色的内在属性，包括几何、反射率、材质和环境光照的新方法。

Dec, 2023

通过引入 Animatable Gaussians 和强大的 2D CNNs 以及 3D 高斯样条插值方法，我们的方法可以根据输入视频创建高保真度的动态逼真化身，实现虚拟人物的建模和动态外观生成。实验证明，与其他最先进的方法相比，我们的方法具有更好的性能。

Nov, 2023

本文提出了 ARCH（可动画重建的带衣人），这是一种新型的端到端框架，用于从单个图像准确重建可动画的 3D 带衣人。与现有方法相比，ARCH 是一个基于学习的姿势感知模型，可以从单个自由 RGB 图像中生成详细的 3D 带骨骼全身人型，该模型通过创建语义空间和语义变形场来减少姿势变化和遮挡引起的几何模糊。通过空间局部特征的隐式函数表示来学习详细的几何形状和外观，同时提出了对 3D 重建的每个像素进行透明度感知的可微分渲染的额外像素监督。实验结果表明，ARCH 可以提高带衣人的重建保真度，并且与公共数据集上最先进的方法相比，重建误差降低了 50％以上。文中还展示了许多文献中未曾见过的高质量可动画重建人型的定性实例。

Apr, 2020

该研究解决了从多视角视频中学习的逼真人体化身的实时渲染问题，通过提出了基于三维高斯散点的可动态化的人体模型，相较于现有方法，在 THuman4 数据集上呈现了 1.5dbB 更好的 PSNR，并能以 20fps 或更高的速度进行渲染。

Nov, 2023

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