我们提出了一种新颖的虚拟人物表示方法，用于高度逼真的实时动画和渲染 3D 应用程序。我们从最先进的多视角视频重建中获取高精度的动态网格序列，学习姿态相关的外观和几何形状，并利用统计身体模型来限制搜索空间，以实现更高效、有针对性的学习和定义姿态依赖性。通过在 SMPL 模型的一致 UV 空间中学习观察到的几何与拟合的 SMPL 模型之间的差异，我们能够在模型中编码姿态相关的外观和几何形状，从而不仅保证了较高水平的真实感，还促进了虚拟人物的实时处理和渲染。

Oct, 2023

介绍一种使用混合方法，利用人工判断区分出好和坏的 3D 拟合方法，构建了一个多维度的人体姿态数据集 UP-3D，用于训练区分模型，获得了 31 个部位和 91 个标记点的 3D 人体姿态模型，其训练数据量比现有技术减小一个数量级，并且不需要关于性别或姿态方面的先验知识。

Jan, 2017

我们提出了一种新的混合隐式表面表示方法来建模人体形状，该表示方法由两个表面层组成，用于表示穿着衣物的人体的不同区域，我们使用视觉线索自动分割不同区域，并学习重建两个有符号距离函数，我们在不透明区域上执行基于表面的渲染以保留高保真度的表面法线，并在半透明区域上执行体积渲染（例如头发），实验证明我们的方法在 3D 人体重建上取得了最先进的成果，并在其他物体上展示了有竞争力的表现。

Dec, 2023

本研究关注于使用多视图和多姿势的人体输入，重建位于规范空间中的衣着人体。我们利用 SMPLX 模型在规范空间中的几何先验，学习了几何重建的隐式表示，并在姿势网格和规范空间网格之间学习潜在编码。最终，我们的工作在 WCPA MVP-Human Body Challenge 中实现了第三的表现。

Dec, 2022

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

论文提出了两种解决方案：一种是通过预测目标表面上局部 SMPL 顶点的方向来预测模板与 3D 人体点云的对齐问题的新型神经场模型 LoVD；另一种是在测试时利用目标几何信息对骨干进行改进的首个自监督任务 INT。将它们结合成 INLoVD，这是一个在大规模 MoCap 数据集上训练的稳健的 3D 人体注册流水线，高效（不到一分钟）、在公共基准测试中稳定达到最先进水平，并在分布外数据上提供了前所未有的泛化能力。

Dec, 2023

本文全面回顾了隐式神经表达在人体建模中的应用，比较分析了隐式建模方法在身体、手和头部的应用，并指出了当前工作的不足之处和研究人员的可用建议。

Jun, 2023

本文提出了一种新的隐式表示方法，称为最接近的表面点（CSP）表示，用于表示具有任何拓扑结构的开放或封闭形状并计算本地几何属性，可以实现高保真度和有效实现外围算法，如球追踪来呈现三维表面和创建显式基于网格的表示，并在 ShapeNet 数据集上验证了超越最先进结果的贡献。

Jun, 2021

本文提出一种基于 SMPL-X 模型的可灵活处理单张图片或非标定多视角图片的参数化框架，通过新颖的自进化符号距离场模块来学习并重建服装人体，并引入了自校准和遮挡感知的特征融合策略来提高重建效果。与现有算法相比，该方法在公共基准测试上表现很好。

Apr, 2023