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

本文提出了 UniHCP，一个使用简化的端到端模式和平面视觉转换器架构，将广泛的以人为中心的任务统一起来的集成模型，通过在 33 个数据集上进行大规模联合训练，在多个领域和下游任务上直接评估优于强基线结果，在适应特定任务时，UniHCP 在多种以人为中心的任务上取得新的最佳性能。

Mar, 2023

在计算机视觉领域，生成逼真的说话脸部是一个有趣且长期存在的课题。尽管已经取得了显著的进展，但是生成具有个性化细节的高质量动态脸部仍然具有挑战性。本文提出了一种简单、通用且灵活的神经画廊生成框架 Myportrait，在单目视频中加入个性化先验和三维人脸形变空间的可变先验，在新的可控参数下生成个性化细节。我们的框架支持基于视频和基于音频的面部动画，给定单个人的单目视频。通过测试数据是否发送到训练中，我们的方法提供了实时在线版本和高质量离线版本。广泛的实验证明了我们方法在各个指标上优于最先进方法。代码将公开发布。

Dec, 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

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

该研究提出了一种统一框架来生成和处理面部图像，基于预训练的 GAN 模型，使用两种新颖的策略，直接优化潜在空间的潜在编码以获取多模式输入的图像生成和操纵，并提出了一个大型数据集 Multi-Modal CelebA-HQ。

Apr, 2021

HiFECap 是新的神经人员表现捕捉方法，从单个 RGB 视频中同时捕捉人体姿态、服装、面部表情和手部姿势。该方法表现优于现有表现捕捉方法，首次捕捉到人体的全部细节。

Oct, 2022

使用多源数据集和连续生成对抗网络设计了 UnitedHuman 框架，解决人体生成中的高分辨率问题，提高了生成图像的质量。

Sep, 2023

论文提出了一种实时捕获全身人类表现的全新方法，能够通过单个 RGB 视频重建完整人类的密集、时空一致变形几何形态，通过二阶段的分析合成优化策略实现精细的人类表现捕获，并且结合了 4D 运动捕捉，利用材料区域的自动识别进行模型优化，从而实现最终的实时全身表现捕捉。

Oct, 2018