提出了一种用于从单个 RGB 图像进行 3D 人体重建的基于图像引导的体积到体积的转换 CNN，通过 SMPL 模型生成密集的语义表示来减少与表面几何重建相关的歧义，将不同尺度的图像特征融合到三维空间中，并通过法线细化网络来进一步提高可见面细节的精度，使用所提出的体积法向投影层将其连接到体积生成网络中，并使用其中包含的 3D 真实世界人体模型数据集进行训练，实验表明该方法在前沿方法中表现优异。

Mar, 2019

通过优化深度学习多视图立体网络来估计深度图，并采用滤波、融合等后处理方法，实现了高保真度的人体重建。

Feb, 2022

该研究论文通过多层次结构体系，从高分辨率的图像中提取细节信息、同时观察到低分辨率图像的整体信息，借助深度神经网络尝试解决现有方法在人体三维建模方面存在的精度与准确预测之间的矛盾，实验结果在单幅图像三维建模领域中，显著超越了现有的最先进技术。

Apr, 2020

本文提出了一种神经网络来估算单张 RGB 图像中前景人物的详细深度图，其中分离深度图为平滑基础模型和残差细节模型设计出两个分支的网络来回归它们，并利用一种新的网络层将粗深度图和表面法线融合以进一步提高最终结果。

Oct, 2019

使用单幅图像进行实时推断和渲染逼真的三维人体外貌的 R$^2$Human 方法结合了隐式纹理场和显式神经渲染的优势，利用新的表示法 Z-map 并通过傅里叶占用场重建了精细的三维几何，从而在合成数据和挑战性的现实世界图像上取得了最先进的性能。

Dec, 2023

该论文提出了一种新的框架，利用深度神经网络和 Hierarchical Mesh Deformation 技术综合使用人体关节、轮廓和像素的着色信息，从而在单张图片中精确恢复人体形状。实验证明，我们的方法在 2D IoU 计算和 3D 距离计算的准确度上都优于现有的其他方法。

Apr, 2019

介绍一种使用混合方法，利用人工判断区分出好和坏的 3D 拟合方法，构建了一个多维度的人体姿态数据集 UP-3D，用于训练区分模型，获得了 31 个部位和 91 个标记点的 3D 人体姿态模型，其训练数据量比现有技术减小一个数量级，并且不需要关于性别或姿态方面的先验知识。

Jan, 2017

本文提出使用卷积神经网络进行端到端直接重建人类三维几何通过体积回归，无需拟合形状模型，能够从多种输入类型训练并处理姿态变化和细节重建。

Sep, 2018

本研究提出了从单张照片推断出详细的全身人体形状的简单而有效的方法，其将形状回归转化为图像转换问题，并使用纹理图来估计细节的法线和位移图，能够将细节添加到低分辨率的光滑身体模型中，尽管仅使用合成数据进行训练，但该模型在真实世界的照片上表现良好。

Apr, 2019

通过构建一个借助于当前技术能在控制误差较低前提下从 2D 开环位置中提取 3D 位置任务的相对简单的深度前向网络，我们发现了现代深度 3D 姿态估计系统的可视分析引起的错误是其主要问题。

May, 2017