本文介绍 3DCaricShop 这一大规模 3D 卡通形象数据集和一种基于 implicit mesh 和 parametric mesh 的方法，可以从 2D 卡通图片中进行 3D 卡通重建，能够在预定义的网格拓扑中生成动画准备的高保真 3D 卡通形象。

Mar, 2021

该论文介绍了一个公共数据集，其中包含了 140 万个以参数方式表示的、程序生成的自行车设计，以 JSON 文件和栅格化图像形式提供。该数据集的创建依赖于一个渲染引擎，该引擎利用 BikeCAD 软件从参数化设计生成矢量图形。论文讨论了这个渲染引擎，并与数据集一起公开发布。尽管该数据集有众多应用，主要动机之一是需要训练参数化和基于图像的设计表示之间的交叉模态预测模型。例如，我们演示了可以训练预测模型，直接从参数化表示准确估计 Contrastive Language-Image Pretraining (CLIP) 嵌入。这样可以建立参数化自行车设计与文本字符串或参考图像之间的相似性关系。已公开发布了训练好的预测模型。该数据集是 BIKED 数据集系列的一部分，包括数千个混合表示的人工设计自行车模型和几个量化设计性能的数据集。代码和数据集可以在 this https URL 找到。

Feb, 2024

基于输入指令，我们提出了第一次尝试在 UV 空间内，通过 Make-It-Vivid 从文本生成高质量纹理的方法，同时利用预训练的文本到图像模型生成具有模板结构的纹理映射，最终通过对抗学习缩小原始数据集和真实纹理领域之间的差距，实现了高效的角色纹理化和忠实的生成。

Mar, 2024

通过构建新的模型，通过将 2D 扩散模型和 3D 重建模型进行紧密耦合，我们可以从单个 RGB 图像中创建逼真的头像，并实现几何和外观上的高保真度。

Jun, 2024

本文提出了一个高效的三维服装化身重建框架。该框架通过高精度的基于优化的方法和高效的基于学习的方法相结合，以从单个图像中实现高保真度的服装化身重建为目标。通过在规范空间中以基于学习的方式使用隐式模型来学习人的一般形状，并通过以优化方式在姿态空间中估计非刚性变形来细化表面细节，使用超级网络来生成良好的初始化，从而极大地加速了优化过程的收敛。在各种数据集上的大量实验表明，所提出的服装化身重建框架成功地为现实场景中的任意穿着的人类产生了高保真度的化身。

Apr, 2023

本文提出了一种从单幅肖像图像生成动画化的 3D 卡通脸部的新框架，并针对传统模型建立漫画形象耗时且难以保持相似性的问题，提出了基于模板和形变转移的语义保留脸部绑定方法及实时动画演示。

Jul, 2023

提出了一种基于扩散模型的 3D 生成方法，通过生成前后面衣着人的真实性的法线贴图，使用优化网格的方式实现人物的 3D 重建，还结合最新的文本到图像扩散模型，实现了对人物身份的控制，能够生成具有更好感知效果和身份多样性的真实 3D 服装人物。

May, 2023

本文提出了一种基于 3D 方法的自动化人物卡通画脸部特征检测与重建技术，首先通过建立一个由 2D 卡通图像及其相应的 3D 形状样式构成的数据集，建立了基于顶点的形变空间的参数化模型，然后通过神经网络来回归所需的 3D 脸部形状和方向，并通过消融实验和与最先进的方法进行比较，证明了该算法设计的有效性。

Apr, 2020

通过合成虚拟环境中的大规模人体图像数据集，训练出的行人再识别模型在全新领域中表现更好，该数据集名为 RandPerson，包含了来自 8000 个身份的 1801816 张人体图像，可以提高机器学习的泛化能力。

Jun, 2020

通过双向纹理重建方法（BiTT），基于单个 RGB 图像实现对双手纹理的光照可重建、无姿态限制的个性化纹理重建，其结果在定量和定性实验证明优于现有方法。

Mar, 2024