本研究从数据工程的角度出发，收集并注释了一个大规模人类图像数据集，并通过实验研究了数据量、数据分布和数据对齐等因素对 StyleGAN 生成高保真无条件人类图像的影响。结果显示，需要超过 40K 的大规模数据来训练高保真的 StyleGAN 生成模型；平衡的训练集有助于提高对罕见姿势的生成质量，而简单平衡服装纹理分布并不能有效改善生成效果；以身体中心为对齐锚点的人类 GAN 模型胜过使用面部中心或骨盆点对齐的模型。

Apr, 2022

通过基于扩散模型的 HumanWild 方法，我们展示了由生成模型创建的合成数据与计算机图形渲染数据互补，从而在 3D 人体姿态和形状估计方面在多样化的真实场景中实现了卓越的泛化性能。

Mar, 2024

我们提出了一个通用的人像生成任务的泛化方法，通过目标姿势和一组源外观图像生成一个人像，基于本地关注机制选择不同源图像区域的相关信息，避免了为每个特定的 X 基数构建特定生成器的必要性，并通过实证评估验证了在多源环境中解决人像生成问题的实用性。

May, 2019

本研究提出了 SemanticHuman-HD 方法，它是首个能够实现语义分解的人体图像合成方法，并且能够在 1024^2 分辨率下实现 3D 感知图像合成，通过借助深度图和语义掩膜作为 3D 感知超分辨率的指导，在体素渲染过程中显著减少采样点数量，降低了计算成本。通过对比实验验证了我们方法的优越性，并通过消融实验验证了各个提出组件的有效性。此外，我们的方法为 3D 服装生成、语义感知图像合成、可控图像合成和领域外图像合成等各种应用提供了激动人心的可能性。

Mar, 2024

通过多个参考图像生成定制肖像的新框架 Parts2Whole，利用语义感知的外观编码器和共享自注意力机制，在保留细节的同时支持多图像条件生成，实现了对多部分可控人体图像的高级定制能力。

Apr, 2024

UniHuman 是一个统一的模型，通过利用人类视觉编码器的指导和引入轻量级的姿势扭曲模块来提高模型的生成质量和泛化能力，并在真实环境中解决了人类图像编辑的多个方面。

Dec, 2023

我们提出了一种名为 CapHuman 的新框架，通过 “编码然后学习对齐” 的范例，能够在推理过程中对新的个体进行可推广的身份保留，通过引入三维面部先验以实现对人头的灵活和三维一致的控制，从而产生具有丰富内容表示和各种不同头部造型、超越现有基线模型的身份保留、逼真和高保真肖像画。

Feb, 2024

通过建立大规模人体数据集 HumanVerse，结合深度学习模型和结构引导生成器，我们提出了 HyperHuman 方法，实现了生成真实自然的人体图像。

Oct, 2023

本研究设计了一种人类图像生成的生成模型，能够控制姿势，不同身体局部的外貌以及服装风格，能够生成高逼真度的图像，并在不同方面表现出色，如姿态控制、部位和服装转移以及关节采样。

Mar, 2021

本文提出了一种名为 3DHumanGAN 的生成对抗网络（GAN），用于合成全身人体的图像，具有在不同视角和姿势下一致的外观。该模型采用了 2D 卷积背骨由 3D 姿态映射网络调制的生成器架构，能够生成具有 3D 人体先验知识和一致性的逼真图像，并通过对抗学习从网络图片中学习而来。

Dec, 2022