该研究提出了一种新的方法，将基于优化的方法和基于回归的方法结合起来，通过深度学习网络和迭代优化技巧来准确估计人体姿势。在实验中，该方法在数据稀缺和限制条件下改善了现有技术的精度和效率。

Sep, 2019

本文提出了一种新算法，将迭代梯度下降和深度神经网络结合起来，实现 3D 人体形状与图像的拟合。该算法只需人体动作捕捉数据，不需要图像到 3D 对应关系，并且在公共数据集上达到了最先进的结果。

Aug, 2020

使用 ReFu 方法，结合 2D 和 3D 监督，利用减少扩散占用概率的体积渲染，生成具有细节保留的背面图像，并将经过修整的图像与前端的反向变形融合以预测出人体模型，最终在单张图像 3D 人体重建中取得了最新成就。

Nov, 2022

该论文提出一种新的神经重渲染方法，利用单张图像生成一个人体在新的用户定义的姿势和视角下的三维重建，并通过高维度 UV 特征图编码外观，该方法在单张图像重渲染方面比现有方法产生更高质量的成果。

Jan, 2021

本文提出了一种方法，通过深度学习的隐式函数和参数表示相结合，重建出具有可控性和高准确性的人体 3D 模型，使得即使加上服装等复杂因素，也能够保证模型的灵活性。

Jul, 2020

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

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

通过学习优化方法，提出了一种类 Levenberg-Marquardt 算法的更新规则，以更高效地适应新的模型拟合问题，并且在准确性和速度上具有竞争力。

Nov, 2021

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

本篇研究提出了一种名为 BodyNet 的神经网络，通过直接推断体积棱柿，从而预测自然图像中的三维人体形状，同时结合三维损失和多视角重投影损失以及适当的监督，实现了性能的提升；通过将 SMPL 模型应用于网络输出，并在 SURREAL 和 Unite the People 数据集上展示了最先进的结果，证明了本方法的有效性。

Apr, 2018