提出了一种名为 PIFu 的像素对齐隐式函数表示法，可以从单张图像中推断出高细节服装人物的 3D 表面和纹理，其精度高、内存占用小、能够处理任意拓扑，并且与输入图像的空间完全对齐。在 DeepFashion 数据集上进行实验，结果显示 PIFu 方法在单幅图像上表现出色，优于之前任何的数字化人像单张图像重建方法。

May, 2019

Geo-PIFu 是一种基于深度多层次 U-Net 结构的隐式函数的方法，通过学习隐含体素特征来从穿着衣物的人的单眼彩色图像中恢复三维网格，并通过约束模型在两个方面以提高重建效果：第一，在查询点编码中解决特征歧义；第二，在粗糙的人体形状代理中规范化高分辨率网格并鼓励全局形状规则性，实验结果表明，与竞争方法相比，Geo-PIFu 可以得到更少的形状畸变和更好的表面细节。

Jun, 2020

针对动物数字化的挑战，我们介绍了 DRIFu 模型，通过训练一组合成的 3D 动物模型和创新的对齐工具，实现动物形状和纹理的准确预测，并建立共享的形状空间，使得采样、姿势设定、动画和与现实数据对齐成为可能。这一突破性的方法彻底改变了我们全面理解和表征鸟类形态的能力。

Nov, 2023

本文介绍了一种新型的像素对齐的隐式模型 IntegratedPIFu，能够预测并将深度和人体解析信息结合，同时实现了以深度为导向的采样训练，提高了人体特征的重构准确性和网格结构的正确性。与目前的单视图人体重构方法相比，IntegratedPIFu 明显具有更高的性能表现。

Nov, 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 StereoPIFu 算法，它将立体视觉的几何约束与 PIFu 的隐式函数表示相结合，从一对低成本的矫正图像中恢复着装人体的 3D 形状，实验表明与先前的研究结果相比，StereoPIFu 显著提高了着装人体重建的稳健性、完整性和准确性。

Apr, 2021

SIFU (Side-view Conditioned Implicit Function for Real-world Usable Clothed Human Reconstruction) combines a Side-view Decoupling Transformer with a 3D Consistent Texture Refinement pipeline to accurately reconstruct 3D models of clothed humans, improve texture prediction, and surpass state-of-the-art methods.

Dec, 2023

本文提出了一种名为 IF-Nets 的新模型来解决从不同类型的三维输入中恢复和补全三维物体的问题，IF-Nets 可提取深度特征，保留输入数据中存在的细节，并可以重建活动的人体模型。实验证明 IF-Nets 在 ShapeNet 中的三维物体重建和人体重建方面明显优于以往的工作。

Mar, 2020

本文提出了一种新颖的联合对齐隐式人脸函数 (JIFF) 方法，将隐式函数与模型方法相结合，通过在 3D 形变脸模型和像素对齐 2D 特征之间进行联合预测来提高面部重建的质量，并采用粗到精的架构来预测高质量纹理。经过广泛的公共数据集的评估表明，本文提出的 JIFF 方法在定量和定性方面均优于现有的最新技术。

Apr, 2022

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