本研究提出了一种基于深度学习的新流程，通过显式估计和利用人体的几何形状来综合人体的新视图，从而显著提高姿态变化对象的性能。

Apr, 2018

本文提出了一种基于数据驱动的方法，利用预计算辐射传输和球谐光对全身人物图像进行自动换光。与以往工作不同的是，我们通过显式建模散射和镜面反射来消除对 Lambertian 材料的假设，同时引入了基于光的残差项来补偿 PRT 图像重建中的误差。我们提出了一种新的深度学习架构，经过特殊的 PRT 分解训练，并使用 L1、对数和渲染损失的组合进行训练。对于合成图像和照片，我们的模型在全身人类换光方面均优于现有技术。

Jul, 2021

本研究基于深度学习的体积表示方法，提出利用人体图片，通过几何变形的方式隐式学习稠密特征体积，并通过卷积解码器将特征体积映射回 RGB 空间，实现了人体图像的任意变形，取得了着装识别和人像表情生成方面的最新研究成果。

Jun, 2020

通过基于单图几何重建的框架实现针对人体的单张图片重照，在去除光照的同时，通过采用经过修改的 HRNet 和基于光线追踪的每像素灯光表示方法，恢复逼真的阴影，展现出包括硬阴影在内的高频阴影效果，优于先前的方法。

Jul, 2022

这篇论文提出了一种新方法，通过使用虚拟光源阵列来生成数据集，以代替使用高昂的专用抓取设备，从而实现高质量人像重新照明，同时保持真实感和物理上的一致性。

Sep, 2022

本篇论文提出了一个基于深度学习的图像纠正技术，能够有效去除近距离人像照片中透视失真等伪像，同时还能自动推断遮挡的面部特征，该方法不需要先配合三维面部模型，并且可以显著提高人脸识别和三维重建的准确度，实现单幅肖像图像的相机标定。

May, 2019

本文提出了一种基于深度学习的方法，通过 2D 正交视图来实现 3D 人体形态的重建，使用二进制掩膜图像即可快速创建数字化人物，并可应用于 3D 游戏、虚拟现实、在线时装购物等领域。

Jun, 2018

本文提出了一种两阶段的人体图像重照明方法，通过神经网络训练和深度视频先验，解决了人体图像重照明的泛化和合成到真实的领域差异问题。

Oct, 2021

本研究介绍了第一个基于深度学习的方法，用于去除自由拍摄的广角人像照片中的透视失真和形变等因素，建立了一个包括 LineNet，ShapeNet 和 transition module（TM）的级联网络，并提出了两个新的度量标准：线条一致性和面部一致性，相比之前的最先进方法，本方法不需要相机失真参数，能够在身份、场景和相机模块的大多数多样性方面得到较好的性能。

Apr, 2021

本文提出了一种利用单张图片中的人脸来估计场景光照的方法，通过深度神经网络提取高光并追溯回环境中，得到非参数化的环境图，该方法表现出了最新技术水平，适用于各种室内外场景。

Mar, 2018