使用多视角图像建议一种可伸缩的神经网络框架来重建 SMPL 模型子空间中的人体 3D 网格，并在现实图像上表现优异，特别是在形状估计方面。

Aug, 2019

本研究提出了一种新的深度学习网络，用于将 3D 模型转换为逼真的照片，旨在弥合现有深度生成模型不能灵活控制的瓶颈问题，同时也改善了传统三维图形处理渲染机制的不足之处。

Aug, 2020

本研究提出一种新的具有运动条件的人类动态外观模型，使用等变编码器从三维身体表面的空间和时间导数生成可推广的表征，再通过组合式多任务解码器渲染具有高保真度的时间变化外观的视频，实验结果表明，本方法能生成视角全新的人类动态视频。

Mar, 2022

本文提出了一种新的姿态转换方法，通过使用组合神经网络，预测人的轮廓，服装标签和纹理，并在推理时利用训练有素的网络生成一个外观及其标签的统一表示，以对姿势变化做出响应，并使用背景完成外观的呈现，从而实现保留人物身份和外观，具有时间上的一致性和泛化能力。

Dec, 2020

本文使用图像到图像翻译方法在 SMPL 模型的 UV 空间中推断纹理和几何学，以此预测人物的完整三维化身。通过此方法，我们得到的预测纹理和几何学可以应用到 SMPL 模型上，从而自然地对新的姿势、形状和衣物进行推广。

Aug, 2019

本文提出 AvatarGen 方法，是第一种通过仅使用 2D 图像训练，能够生成高保真度外观和可控几何形状的、解耦式的可控人体动画的方法。

Nov, 2022

为了实现真实的 AR/VR 和数字娱乐体验，我们提出了第一个点云人物模型，它涵盖了数字人物的全部表达范围。我们使用两个多层感知器来建模姿势相关的变形和线性蒙皮权重。外观的表示依赖于解码器和附加到每个点的特征。与替代的隐式方法相比，朝向点的表示不仅提供了更直观的方式来建模人物动画，还显著减少了训练和推理时间。此外，我们提出了一种新的方法将语义信息从 SMPL-X 模型转移到点云中，从而更好地理解人体运动。通过利用点的语义信息，我们可以通过在不同主体之间交换相同类别的点来促进虚拟试穿和人物组合。实验结果证明了我们提出方法的效果。

Nov, 2023

通过引入 IUVD-Feedback 表示法，该论文提出了一种将人体姿态、形状和服装细节同时考虑在内的三维人体表面重构方法，通过替代计算成本高的有符号距离计算，成功地保留了参数化身体先验，并在查询 - 推理过程中加速查询点，从而提高了结果的鲁棒性和查询 - 推理速度。

Jan, 2024

本研究提出了一种基于 DeepCut 和 SMPL 模型的 3D 姿态估计方法，能够从单张无约束的图像中自动预测人体的姿态和形状，实现了对人体结构和运动的精确推断。

Jul, 2016

本文提出了一种基于多视图图像的多人姿态估计方法，在统计参数体模型的引导下，这种方法能够更好地纠正不合理的 3D 姿态估计和填充缺失的关节点检测，将 2D 和 3D 观测联系起来，从而更准确地估计 3D 姿态并且具有较好的泛化性能，实验表明该方法的效果优于现有的方法。

Oct, 2021